互聯網大廠單雙周假期變更能上熱搜,但很多更繁重的工作卻乏人關注。電子設備的質檢工,通常每天要完成1萬多個零件的人眼檢測,平均每分鐘檢測十幾個產品,連續工作超10個小時并不鮮見。

　　高負荷導致工人精力跟不上,出現漏檢、錯檢在所難免。如何緩解質檢工的工作壓力、提升制造企業的產品品質,成為亟待解決的難題。

　　浪潮攜手思謀科技,基于深度學習算法打造邊緣工業智能質檢解決方案,通過實時讀取質檢圖片,對瑕疵產品進行推理、定位,即時給出缺陷類型、大小和處理建議。同時,這些數據還會反饋到云端,進一步優化AI質檢模型算法。

　　據《IT創事記》了解,這一解決方案已應用于鋼鐵、3C電子、汽車等行業的智能工廠,缺陷檢出率從原來的90%提升到99%,不放過每一個缺陷,過檢率≤3%,不會造成大量的“錯殺”,同時日均處理產品件數大幅提升,對產品品質控制和生產效率優化助益顯著。

　　邊緣計算在智能制造中的角色,類似于古時的御前帶刀侍衛。巡邏、查夜、看守庫房是帶刀侍衛的日常職責,危急時刻作為“人肉盾牌”保護圣駕更是責無旁貸;邊緣計算就像智能制造的貼身侍衛,用火眼金睛發現問題、監控環境,以順風耳實現與云端的協同,遇到突發狀況也會挺身而出,為智能制造的平穩運行保駕護航。

　　智能制造面臨多元挑戰

　　基于中商產業研究院的數據,2020年中國智能制造裝備產值規模達20900億元。制造業景氣度整體維持在高位,為智能制造的快速發展奠定了堅實基礎。

　　與歐美發達國家相比,我國智能制造還有相當大的發展空間。億歐智庫的調研顯示:當前90%的制造業企業配有自動生產線,但僅有40%實現數字化管理,5%打通工廠數據,1%使用智能化技術。預計到2025年,數字化、網絡化、智能化制造企業占比將分別達到70%、30%、10%。

　　智能制造的未來是星辰大海,但腳下的路卻并不平坦。

　　首先要面臨復雜多元算力的挑戰。伴隨深度學習不斷發展,分類算法AlexNet分析224×224大小的圖像需要720FLOPS,使用工控機處理需要1秒左右;而實際生產中常使用的ResNet50視頻處理的計算量是AlexNet的數十倍,復雜度越來越高,算力結構性缺口日益凸顯。

　　其次是巨量數據貫通的障礙。從2015年迄今,國內機器人裝機量從25萬臺猛增到100萬臺,數控機床、PLC的市場規模從1400億增長到2000多億,系統平臺從以人為核心的ERP、CRM擴展到以物為核心的IIOT、MES、PLM等。智能化裝備、各類生產線以及跨領域系統平臺的巨量涌現,讓工廠的數據量呈指數級增長,海量數據的貫通和深度挖掘計算成為難題。

　　此外,高并發實時處理的需求激增也帶來困擾。智能制造過程廣泛使用裝配機器人,對智能機器人的目標識別、軌跡規劃的計算實時性、復雜性提出了更高要求。工業現場單個攝像頭每天會產生約330G的視頻數據,完全傳輸至云端不僅占用帶寬,亦難以滿足實時性(毫秒級)的業務需求。

　　邊緣計算生逢其時

　　應對智能制造面臨的多元挑戰,需要系統性的解決方案,而邊緣計算也許是分量最重的利器。

　　國際知名調研機構IDC將企業數字化成熟度劃分為入門者、探索者、組織者、轉型者、顛覆者5個階段,目前中國制造企業數字化轉型總體處在中間階段,第四、五階段的占比很低。人工智能、物聯網等技術在制造行業應用落地過程中,企業迫切需要邊緣側強大的算力支持智能制造發展,而這正是國內市場最明顯的短板。

　　一組數據也印證了上述判斷:2020年有超過500億臺設備連接在一起,每個工廠每天收集的數據點超14.4億,這意味著對邊緣側的計算能力、服務速度的期望值前所未有。

　　邊緣計算在靠近數據源頭端提供計算及存儲服務,能夠有效緩解網絡帶寬與數據中心的壓力,增強服務的響應能力,并對工廠內的隱私數據進行保護,提升數據和生產的安全性。通過與云端的交互協作,還可實現系統整體的智能化。

　　中國信通院技術與標準研究所互聯網中心高級項目經理宋平博士認為,邊緣計算是一個技術賦能平臺,可以天然地與AI、大數據、區塊鏈等新一代ICT技術進行深度融合,進而推動不同行業朝網絡化、數字化、智能化方向轉型升級。

　　作為“帶刀侍衛”,邊緣計算對智能制造面臨的三重挑戰給出了強有力的回應:

　　控制層智慧化運營管理:以深度學習為代表的復雜優化方法在自動化領域有較多應用,邊緣計算可以為其提供基礎設施,保證相關的計算任務安全、快速、高效地完成。例如在隨機訂單的混沌生產場景,利用邊緣智能構建多個智能體系統,通過不同智能體之間的行為交互提高自主決策能力,增強生產過程的自適應性。

　　貫通層海量數據分析挖掘:數據貫通層需要分布在邊緣側的計算節點統一協同,實現海量工業數據的挖掘。在工業生產中,產品、部件在傳送帶上流動,數據信息也在流動,利用邊緣計算能快速感知工廠內各環節設備、產品異常,并基于RFID、藍牙等技術對生產線上流動產品進行定位和質量評估。

　　感知層更低時延診斷預警:數據感知層故障診斷與缺陷監測是應用邊緣計算最多的領域。基于工廠產線零件識別與缺陷檢測、軸承故障診斷、鋼爐熱異常檢測、電力設備檢修等場景,可以通過邊緣計算進行更低時延的診斷預警,提高生產檢測效率,縮短訂單交付周期。

　　“帶刀侍衛”的煩惱與對策

　　在智能制造產業升級進程中,邊緣計算無疑發揮著舉足輕重的作用。但“帶刀侍衛”也有自己的煩惱,還存在一些妨礙其大展身手的制約因素。

　　首當其沖的是AI技術鏈條與制造業的產業鏈條彼此脫節。據埃森哲等咨詢機構的研究,70%以上有AI技術的研究機構、科技公司缺少需求場景及行業領域的知識和數據,與此同時,70%以上的行業用戶欠缺技術人才和AI平臺的實施能力,這種狀況嚴重制約了智能制造的發展速度。

　　思謀科技首席架構師侯力政對此深有體會:“我們很多的研發人員是研究機構或互聯網公司出身,掌握高精尖的算法,但對整個工業領域缺少切實的體會。智能制造的應用場景比較碎片化,同一個客戶不同的生產線也可能差異很大。一開始因為數據支撐較少,需要case by case地去做,接觸的相似場景更多之后,就可以從中抽離出對應的核心算法。”

　　云邊協同缺乏一整套資源管理和任務調度的解決方案,也是癥結所在。邊緣計算的核心是將分析和決策下沉到網絡邊緣側,對用戶而言需要從算法、云平臺、邊緣資源管理平臺、硬件產品等方面實現軟硬件結合的系統性突破。

　　消費級算力產品穩定性較差,成為智慧工廠的心病。很多邊緣計算設備成熟度低,穩定性差。例如:不少工廠應用的工控機,工作一周就要下線10分鐘——這些設備使用了桌面級的芯片做設計,在室外部署環境中無法保證穩定、可靠的持續運行。

　　針對產業鏈脫節、生態離散的頑疾,已有嗅覺敏銳的企業開啟“破圈”嘗試。本文開頭提到的智慧工廠案例,就是強強攜手的典范。在國內AI和邊緣計算服務器領域獨占鰲頭的浪潮,與致力于AI系統架構在智能制造行業落地應用的思謀科技,以跨界聯手的方式促成了邊緣計算的逆襲。

　　早在2016年,浪潮就開始布局邊緣計算,經過多年深耕,取得豐碩成果。圍繞智能制造、智慧能源、智慧交通等場景,浪潮打造出邊緣微服務器、便攜AI服務器、邊緣服務器和邊緣微中心四大產品系列,并匯聚智能制造領域系統、算法、應用等伙伴,形成多種智能制造解決方案。

　　工業機器人“智能體檢”即是具有示范效應的典型應用。浪潮與展灣科技共同開發了一套“智能體檢模型”,能夠實時監控智能工廠內機器人健康參數,通過“物聯網+算法模型” 在線監控和預測機器人系統的故障隱患,將傳統基于時間的維護轉變為對設備狀態進行管理——根據設備健康參數提供分析圖表,可提前將有問題的設備進行更換,避免機器人非計劃停機,保證了全自動化產線連續、穩定、高效地運轉。

　　24小時在線的“安全監督員”也是比較成熟的解決方案。目前各行業的作業現場安全監督仍以人工管理為主,無法做到實時不間斷監控。借助邊緣計算技術,對生產全過程進行智能化監管,已成為各行業保障安全的優先發展方向。基于計算機視覺的AI智能監管,可以通過攝像機采集現場視頻,依托安全帽和防護服監測、人臉檢測等算法來判斷工人的行為是否符合安全規范,并自動進行告警和記錄。

　　浪潮邊緣計算事業部總經理孫波認為,以短平快靈活開發的模式去支撐邊緣計算的不同場景,是浪潮在智能制造領域脫穎而出的關鍵。

　　“我們在產品研發端采用模塊化架構設計,揉合不同客戶的差異化需求;供應鏈端實現小規模定制的柔性生產,哪怕只需要一臺服務器,也能按客戶需求供貨。”孫波一語道破天機——在紛繁復雜的場景中積極求變,也許正是邊緣計算的生存之道。