Przeglądając wiadomości ze świata technologii z ostatnich miesięcy wyraźnie widać, że są zdominowane przez jeden temat – sztuczną inteligencję. Wszystko za sprawą firmy OpenAI i zaprezentowanego przez nią modelu językowego ChatGPT. Model ten potrafi w „inteligentny” sposób formułować wypowiedzi na zadane tematy, robić podsumowania czy nawet pisać wypracowania. A co gdyby takiego asystenta zaprząc do pracy w przemyśle?
Próby zastosowania sztucznej inteligencji, a będąc precyzyjnym, metod uczenia maszynowego czy uczenia głębokiego z wykorzystaniem sztucznych sieci neuronowych w przemyśle nie są niczym nowym. Jednak jeszcze do niedawna sterowniki PLC i komputery przemysłowe nie posiadały wystarczającej mocy obliczeniowej, żeby sprawnie działać na tym polu. W dobie produktów jak te z rodziny PLCnext Technology staje się to możliwe.
Łatwe uczenie maszynowe z MLnext
MLnext to platforma stworzona przez Phoenix Contact, w skład której wchodzi oprogramowanie i usługi pozwalające na przygotowanie i uruchamianie modeli neuronowych na komputerach brzegowych PLCnext Technology.
Trzy komponenty MLnext
Platforma składa się z 3. podstawowych komponentów, które można wykorzystać w dowolnej kombinacji – w zależności od potrzeb.
- MLnext Framework – niezależny sprzętowo open-source’owy framework pozwalający na obróbkę danych uczących, tworzenie modeli neuronowych i ich uruchamianie. Do używania potrzebna jest znajomość pythona oraz budowy i funkcjonowania modeli neuronowych.
- MLnext Creation – usługa oferowana przez Phoenix Contact, która polega na wsparciu przy stworzeniu modelu konkretnego obiektu czy procesu produkcyjnego.
- MLnext Execution – komponent pozwalający na wdrożenie i pracę przygotowanego wcześniej modelu neuronowego. Obsługuje się go za pomocą interfejsu WWW.
Sercem MLnext jest sztuczna sieć neuronowa zaimplementowana zgodnie z otwartym standardem ONNX (Open Neural Network Exchange). Wyżej wymienione komponenty MLnext są przygotowane w formie kontenerów dockera, dzięki czemu mogą być szybko i łatwo instalowane i uruchamiane na kolejnych urządzeniach.
Przykład zastosowania – wykrywanie anomalii
Najpowszechniejszym obecnie zastosowaniem dla sztucznych sieci neuronowych jest wykrywanie anomalii w procesach produkcyjnych. Jest to zadanie, do którego takie rozwiązanie nadaje się doskonale. Pozwala również zaoszczędzić mnóstwo czasu na ręcznej analizie danych pomiarowych.
Niekwestionowaną zaletą wykrywania anomalii jest możliwość szybkiego reagowania na nieprawidłowości w systemach przemysłowych. Odpowiednio wczesne wykrycie narastającego problemu często pozwala uniknąć momentu niespodziewanej awarii i przestojów w pracy układu.
Typowy scenariusz wykorzystania MLnext do detekcji anomalii na przykładzie prostego układu przepompowni wygląda następująco:
Przygotowanie danych uczących
Do przygotowania modelu potrzebne są zestawy danych odwzorowujących prawidłowe zachowanie modelowanego obiektu.
Dla takiego obiektu zestaw danych uczących może składać się z kompletów zawierających ciśnienie wody na wejściu układu, moc elektryczną wykorzystywaną przez przepompownię i ciśnienie wody na wyjściu. Im więcej takich kompletów danych zostanie zgromadzonych, tym dokładniejszy będzie model.
Przygotowane modelu neuronowego
Na podstawie zebranych danych uczących w ramach usługi MLCreation przygotowywany jest model neuronowy układu przepompowni. Podając kolejne komplety danych uczących sztuczne neurony autonomicznie konfigurują się w taki sposób, aby jak najlepiej odwzorowywać pracę rzeczywistego obiektu.
Przygotowanie do uruchomienia
Na komputerze brzegowym serii EPC instalujemy MLnext Execution oraz zapewniamy dostęp do aktualnych pomiarów wartości na podstawie których był przygotowywany model.
Może to się odbywać bezpośrednio, np. dzięki IIoT Framework, lub za pośrednictwem systemu bazodanowego zbierającego takie pomiary.
Działanie sytemu detekcji anomalii
Aktualne dane pomiarowe – w omawianym przypadku ciśnienie wejściowe i moc elektryczna podawane są na wejściu modelu neuronowego. Model na swoim wyjściu podaje, jaka powinna być dla tych parametrów wartość ciśnienia wyjściowego (dla przypadku prawidłowej pracy układu).
MLnext porównuje wartość wyliczoną przez model z wartością rzeczywistą. Jeśli między tymi wartościami występuje rozbieżność, algorytm detekcji anomalii zgłasza prawdopodobny problem z działaniem układu.
Powyższy przykład jest prosty, ale dobrze obrazuje sposób działania systemu wykrywającego anomalie. MLnext jest rozwiązaniem łatwo skalowalnym. Modele neuronowe doskonale spisują się przy odzwierciedlaniu obiektów, których zachowanie jest zależne od dziesiątek parametrów jednocześnie. W takim przypadku często „naoczne” zauważenie nieprawidłowości przez operatora jest praktycznie niemożliwe, a dla MLnext jest to kolejnym prostym zadaniem.
Czytaj więcej:
Analiza danych w oparciu o sztuczną inteligencję do optymalizacji produkcji
Optymalizacja produkcji oparta na sztucznej inteligencji dzięki MLnext
| Autor: | Konrad Sobczyk– Inżynier ds. sprzedaży produktów automatyki |  |
