Umělá inteligence (AI) má mimo jiné i potenciál měnit hru v automatizaci. Jakou roli by mohly hrát Time-Sensitive Networks (TSN) při snazším a nákladově efektivnějším využívání možností aplikací AI?
Jaké požadavky klade AI na sítě budoucnosti? Jaké nové aplikace a řešení můžeme pomocí TSN implementovat a jak vypadá cesta k tomuto řešení?
Podrobné informace o TSN jsou již běžně dostupné. Tento článek se proto podívá na příklady aplikací se zaměřením na umělou inteligenci, které mohou těžit z TSN. Zaměřujeme se zde nikoli na řízení pohybu, ale na jiné aplikace s velkým přínosem pro technologii. Některé z uvedených příkladů by nás měly povzbudit k prozkoumání možností, které přesahují hranice toho, co je v současné době k dispozici.
Rychlý vývoj nástrojů AI v kombinaci s výrazným zrychlením hardwarových schopností a integrovaných ethernetových rozhraní otevírá nové aplikace a segmenty, které mají následující požadavky:
- Velké množství dat musí být přenášeno z mnoha míst do systému AI.
- Přeposílaná data musí být opatřena vysoce přesnými časovými značkami, aby bylo možné například provést analýzu dat časových řad pomocí komplexní korelace.
- Musí být zaručeno, aby se výsledek zpracování AI vrátil zpět do jednotlivých míst.
Tyto požadavky nelze plně nebo dostatečně splnit klasickým průmyslovým Ethernetem založeným na technologii 100 Mbit. Zde vstupují do hry možnosti Time-Sensitive Networking. Následující příklady mají ilustrovat, které aplikace se zaměřením na umělou inteligenci lze implementovat nebo vylepšit konvergentní sítí TSN.
Kontrola kvality pomocí kamery v aktivním procesu
Ve výrobním stroji nebo výrobní lince se používají speciální průmyslové kamery (GigE Vision) k pořizování snímků aktivního procesu nebo produktů. Mechanismus strojového učení trénovaný na základě dobrých dílů zjišťuje vady kvality a podle toho řídí výrobní proces. Současný hardware pro zpracování obrazu provádí taková vyhodnocení v řádu milisekund. To umožňuje provádět kontrolu kvality během aktivního výrobního procesu. Lze také synchronizovat více kamer, aby bylo možné pořizovat snímky výrobního kusu přesně ve stejnou dobu. To pak umožňuje například 3D výpočty nebo analýzy časových řad. Již není nutné oddělovat kamerové a řídicí sítě. Protože vyhodnocovací algoritmus běží na externím hardwaru, lze jej flexibilně přizpůsobit různým produktům a podmínkám. Aplikace průmyslového vidění vyžadují velkou šířku pásma. V závislosti na rozlišení a obnovovací frekvenci se hodnota rychle sčítá až o několik 100 Mb/s. Kromě toho se jumbo rámce používají v aplikacích vidění, které zvláště těží z preempce mechanismu TSN. Z tohoto důvodu jsou konvergentní sítě v současné době v aplikacích vidění spíše výjimkou než pravidlem, ale to by se mohlo změnit s TSN.
Preventivní údržba velkých strojů
Použití v oblasti prediktivní údržby je ilustrováno na příkladu velkých pohonů. Senzory v motoru nebo na motoru měří údaje o teplotě a vibracích. Zařízení pro měření výkonu také zjišťuje příslušné energetické požadavky motoru. Tím se na základě těchto dat trénuje model AI pro normální provoz motoru. Zde je také užitečná přesná časová korelace dat energie, teploty a vibrací. Pokud v procesu pracuje několik pohonů, je také nutné mít přehled o čase v celém systému. Pokud se některý provozní parametr odchyluje od normálního stavu – například kvůli poškození ložisek, jinému opotřebení nebo problémům v procesu – může operátor reagovat před selháním během příští plánované údržby nebo může být proces řízen jinak. Malé množství úsilí potřebného k trénování modelu je více než vyváženo výhodami prediktivní údržby.
Synchronizované dodávání energie z obnovitelných zdrojů
Energetický přechod vytváří nový a do značné míry neznámý problém. Elektrárny pro primární zdroje energie, jako je uhlí, plyn a jaderná energie, provozují generátory s velkými rotujícími hmotami. Kinetická energie uložená v těchto hmotách pomáhá energetické síti vyrovnat se s kolísáním zátěže a poskytuje referenční frekvenci pro alternativní generátory, jako jsou větrné turbíny nebo solární parky. S tím, jak se stále více konvenčních elektráren nahrazuje alternativními generátory, se tento efekt podpory sítě ztrácí. Například není snadno možné rozběhnout větrnou farmu bez externí sítě v samostatném provozu. Jedním z řešení tohoto problému je vysoce přesná synchronizace všech generátorů a jejich elektronických napájecích měničů s odpovídající definicí žádané hodnoty. To může TSN provést přes síť, která je již potřebná pro provozní data. Instalace dvou samostatných sítí ve větrné farmě pokrývající několik kilometrů čtverečních by byla velice nákladná.
Analýza příčiny událostí
Další oblastí použití je časová a lokalizovaná analýza událostí, které nastanou během provozu systému. Ty vyžadují pojišťovny v případě poruchy, aby mohly provést vyhodnocení hlavní příčiny. Díky časové synchronizaci umožňuje TSN zaznamenávat události s vysoce přesnými časovými značkami menšími než 1 ms v samotných zařízeních. Umělá inteligence usnadňuje vyhledávání anomálií v obrovském množství zpráv. Vysoká přesnost časových značek to podporuje. Kromě vyhodnocení hlavní příčiny jsou během provozu také nalezeny a odstraněny skryté problémy.
Realizace je již možná
Kromě výše uvedených příkladů existuje mnoho dalších aplikací, které lze implementovat pomocí AI v automatizaci. Mnohé z těchto příkladů nelze realizovat bez konvergentních sítí TSN a časové synchronizace nebo jsou jinak výrazně komplikovanější a nákladnější na implementaci. V těchto aplikacích mohou mechanismy TSN hrát v síti své silné stránky ve srovnání se specializovanými sběrnicovými systémy v reálném čase. Snad největší přínos TSN spočívá v těchto aplikacích spíše než v nahrazení současných speciálních sběrnicových systémů pro řízení pohybu. Další dobrou zprávou je, že popsané aplikace je již možné implementovat. Switche od společnosti Phoenix Contact v současnosti podporují funkce, jako je Quality of Service (QoS), protokol PTP (Precision Time Protocol) a preempce. Standard GigE Vision také specifikuje použití PTP. AI v kombinaci s TSN tedy umožní novou generaci automatizačních aplikací a jejich vývoj je pravděpodobně teprve na začátku.
PHOENIX CONTACT, s.r.o.
Dornych 47b, 617 00 Brno
Tel.: +420 542 213 401
E-mail: Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript.
www.phoenixcontact.cz
