Công nghiệp 4.0, Trí tuệ nhân tạo và IoT trong Sản xuất

Zachariah Peterson
|  Created: Tháng Tư 12, 2020  |  Updated: Tháng Tư 5, 2021
Ứng dụng trí tuệ nhân tạo trong Công nghiệp 4.0

Khi nói đến điện tử, các thiết bị tiêu dùng như điện thoại thông minh và Alexa thường nhận được nhiều sự chú ý. Tuy nhiên, theo Alun Morgan tại Ventec International Group, “khoảng 23% PCB được sản xuất trên toàn thế giới được sử dụng trong thiết bị điện tử cho các ứng dụng sản xuất.” Con số này chỉ tăng lên khi bạn bao gồm các hạng mục không tiêu dùng khác hỗ trợ hoạt động sản xuất, như ô tô, viễn thông, phát điện/phân phối và tính toán. Các nhà sản xuất phương Tây đã chấp nhận rằng việc tái định cư sản xuất chỉ có thể xảy ra thông qua việc tự động hóa và tăng năng suất trên sàn nhà máy. Đây chính là bản chất của Công nghiệp 4.0, nơi hoạt động nhà máy thông minh và kết nối hơn bao giờ hết.

Vậy các nhà sản xuất có thể tiếp tục cắt giảm chi phí và thấy lợi ích năng suất lớn hơn thông qua việc tái định cư sản xuất ở đâu? Có nhiều câu trả lời cho câu hỏi này, đặc biệt khi bạn xem xét các công nghệ sản xuất tiên tiến như in 3D. Một điều mà mọi người đều đồng ý là: hoạt động sản xuất cho nhiều sản phẩm sẽ được số hóa nhiều hơn trong tương lai gần. Mức độ số hóa này đòi hỏi PCB để vận hành thiết bị và thu thập dữ liệu, cũng như công nghệ để nhanh chóng xử lý dữ liệu và thu được cái nhìn sâu sắc hữu ích. Trong Công nghiệp 4.0, trí tuệ nhân tạo (AI) sẽ đóng vai trò quan trọng trong việc quản lý hoạt động và xử lý dữ liệu, cuối cùng cung cấp cái nhìn sâu sắc cho các quản lý và kỹ sư.

Thiết kế cho Công nghiệp 4.0 và AI

Thiết kế một hệ thống AI mới để hỗ trợ các hoạt động sản xuất không chỉ là một nỗ lực về phần cứng mà còn về phần mềm. Cả hai lĩnh vực bổ trợ cho nhau; một bo mạch nhúng phải được thiết kế để hỗ trợ phần mềm nhúng, trong khi phần mềm nhúng không nên tiêu thụ quá nhiều tài nguyên đến mức làm suy giảm các chức năng khác trên bo mạch. Điều này có nghĩa là mỗi tài sản sản xuất và các hệ thống hỗ trợ thu thập/xử lý dữ liệu sẽ trở thành một hệ sinh thái IoT nhúng, nơi dữ liệu được xử lý tại một vị trí trung tâm hoặc trên đám mây.

Trong Công nghiệp 4.0, các nhà sản xuất dự kiến sẽ tạo ra nhiều dữ liệu hơn bao giờ hết khi nhiều tài sản sản xuất được kết nối. Sự kết nối này được kích hoạt thông qua các tiêu chuẩn mới về trao đổi dữ liệu trong ngành, như tiêu chuẩn IPC-CFX. Bất kỳ hoạt động sản xuất nào muốn kết nối các tài sản của mình và tổng hợp dữ liệu xuyên suốt quy trình sản xuất sẽ cần một lượng lớn thiết bị IoT nhúng trong nhà máy.

Industry 4.0 artificial intelligence asset tracking and prediction
AI và kết nối nhà máy cho phép theo dõi và dự đoán đơn hàng trong thời gian thực

Yêu cầu Thiết kế IoT Nhúng cho Công nghiệp 4.0

Các thiết bị IoT nhúng mới có thể hỗ trợ các ứng dụng AI nếu chúng đáp ứng một số yêu cầu phần cứng cơ bản. Những thiết bị nhúng này là các máy tính bảng đơn chuyên biệt có thể hỗ trợ các mô hình AI/ML tiêu chuẩn trong khi cho phép truyền dữ liệu qua các giao thức tiêu chuẩn. Dưới đây là một số yêu cầu cơ bản cần xem xét khi thiết kế các hệ thống mới cho hoạt động sản xuất Công nghiệp 4.0:

  • Sức mạnh xử lý: Điều này không chỉ liên quan đến tốc độ xung nhịp mà còn về xử lý song song. Một hệ thống có nhiều lõi/processor hoặc có thể được kết nối thành cụm sẽ cho phép dữ liệu được xử lý và sử dụng trong các mô hình AI nhanh hơn.
  • Bộ nhớ trên bo mạch: Lượng bộ nhớ cần thiết phụ thuộc vào ứng dụng cụ thể. Một hệ thống xử lý hình ảnh sẽ cần nhiều bộ nhớ hơn so với một hệ thống xử lý dữ liệu số.
  • Giao tiếp với các cảm biến khác: Dữ liệu có thể cần được thu thập từ các cảm biến môi trường, trực tiếp từ các cảm biến trong thiết bị sản xuất, hoặc từ nhiều loại cảm biến khác.
  • Khả năng giao tiếp: Điều này phải được chọn dựa trên phạm vi giao tiếp yêu cầu. NB-IoT, LoRaWAN, LTE-M, hoặc một giao thức không dây khác có thể được sử dụng cho giao tiếp tầm xa, trong khi Bluetooth LE, WiFi, hoặc Ethernet thường được sử dụng cho giao tiếp tầm ngắn.

Thiết kế Mô-đun cho Hệ thống AI Công nghiệp 4.0

Giảm chi phí và tăng năng suất là về việc triển khai và cấu hình hệ thống mới một cách nhanh chóng. Hầu hết các kỹ sư sản xuất không phải là những người thiết kế mạch in, nhưng lớp kỹ sư quan trọng này có thể nhanh chóng tạo ra các sản phẩm AI mới cho hoạt động sản xuất bằng cách áp dụng một cách tiếp cận mô-đun trong thiết kế điện tử. Lớp thiết kế này cho phép bất kỳ nhà thiết kế hệ thống nào kết nối tính toán, cảm biến, và giao diện truyền thông lại với nhau thành một hệ thống tùy chỉnh cho ứng dụng AI trong sản xuất.

Các công cụ này tận dụng lợi thế của giao diện tính toán tiêu chuẩn và các kết nối điện tử tiêu chuẩn giữa chúng. Máy tính trên mô-đun (COMs), hệ thống trên mô-đun (SoMs), và phần cứng khác cho ứng dụng AI trên sàn nhà máy có thể được kết nối trên một bo mạch tùy chỉnh theo cách mô-đun. Một số lựa chọn cho SBCs và COMs để xem xét sử dụng trên sàn nhà máy được hiển thị trong bảng sau:

Nền tảng

Ưu điểm

Nhược điểm

NVIDIA Jetson Nano COM

• Chuyên biệt cao cho việc chạy các mô hình TensorFlow nhúng.

• Tốt nhất khi sử dụng cho các ứng dụng xử lý hình ảnh/video.

• Đắt hơn so với một nền tảng tính toán chung.

• Quá nhiều năng lượng cho bộ dữ liệu số.

Google Coral AI

• Kích thước nhỏ gọn (Mini PCIe, USB, SoM, hoặc M.2 Key).

• Có thể tích hợp dễ dàng với các dịch vụ của Google Cloud như AutoML Vision Edge.

• Sử dụng phiên bản TensorFlow được cắt giảm.

• Đường học nghiêng cao và chỉ giới hạn trong các ứng dụng hình ảnh.

STM32 Series MCUs

• Hỗ trợ cho các mô hình mạng nơ-ron được tối ưu hóa.

• Tuyệt vời cho việc chế tạo mẫu và cấu hình các mô hình AI.

• Chỉ có sẵn dưới dạng bảng đánh giá hoặc như một MCU độc lập.

• MCU yêu cầu xây dựng một bo mạch tùy chỉnh.

Raspberry Pi Compute 3+

• Xuất sắc cho việc chế tạo mẫu, kích thước nhỏ gọn.

• Có thể mở rộng dễ dàng đến sản xuất, dễ dàng kết hợp.

• Tốt hơn cho tính toán chung và dự đoán với bộ dữ liệu số nhỏ hơn.

• Không phải là lựa chọn tốt nhất cho các ứng dụng hình ảnh nặng nề.

Toradex COMs và SoMs

• Nổi tiếng trong số các nhà sản xuất.

• Dễ dàng lập trình và tích hợp vào một SBC tùy chỉnh.

• Tốt hơn cho tính toán chung và dự đoán với bộ dữ liệu số nhỏ hơn.

• Không phải là lựa chọn tốt nhất cho các ứng dụng hình ảnh nặng nề.

 

Các công cụ EDA tiêu chuẩn trong ngành có thể giúp các nhà thiết kế nhanh chóng lên kế hoạch cho các bảng mạch mới với các tính năng bố trí và định tuyến tiêu chuẩn, nhưng không phải tất cả kỹ sư trong lĩnh vực này đều là chuyên gia về phần mềm EDA. Sử dụng một nền tảng thiết kế mô-đun như Upverter Board Builder cho phép bất kỳ ai từ nhà phát triển phần mềm nhúng đến các doanh nhân AI đều có thể xây dựng ứng dụng AI xử lý dữ liệu trong thời gian ít hơn.

Trong nền tảng thiết kế Upverter, một nhà thiết kế có thể dễ dàng kết nối các mô-đun với nhau một cách trực quan qua giao diện web. Không cần phải tải xuống và cài đặt bất kỳ công cụ nào, và có rất nhiều mô-đun tiêu chuẩn sẵn có trong nền tảng. Điều này cho phép bạn nhanh chóng xây dựng một sản phẩm trí tuệ nhân tạo mới cho Công nghiệp 4.0 sử dụng bất kỳ nền tảng phần cứng AI nào được nêu trên và nhanh chóng đưa nó vào sản xuất.

NVIDIA Jetson Nano COM for Industry 4.0 artificial intelligence applications
Ví dụ về bảng mạch cho NVIDIA Jetson Nano COM, được xây dựng trong Upverter

Các công cụ thiết kế điện tử mô-đun trong Upverter (trước đây được biết đến với tên là Geppetto) cung cấp cho bạn quyền truy cập vào một loạt các COM tiêu chuẩn trong ngành và các mô-đun phổ biến, cho phép bạn tạo ra phần cứng đạt cấp độ sản xuất cho các ứng dụng trí tuệ nhân tạo Công nghiệp 4.0. Bạn cũng có thể dễ dàng xây dựng sản phẩm mới chỉ trong vài phút. Nếu hệ thống của bạn cần thêm chức năng, bạn có thể bao gồm kết nối không dây, một loạt cảm biến, camera độ phân giải cao và một số COM tiêu chuẩn.

Hãy xem một số câu chuyện thành công của khách hàng Gumstix hoặc liên hệ với chúng tôi ngay hôm nay để tìm hiểu thêm về sản phẩm, công cụ thiết kế và dịch vụ của chúng tôi.

About Author

About Author

Zachariah Peterson has an extensive technical background in academia and industry. He currently provides research, design, and marketing services to companies in the electronics industry. Prior to working in the PCB industry, he taught at Portland State University and conducted research on random laser theory, materials, and stability. His background in scientific research spans topics in nanoparticle lasers, electronic and optoelectronic semiconductor devices, environmental sensors, and stochastics. His work has been published in over a dozen peer-reviewed journals and conference proceedings, and he has written 2500+ technical articles on PCB design for a number of companies. He is a member of IEEE Photonics Society, IEEE Electronics Packaging Society, American Physical Society, and the Printed Circuit Engineering Association (PCEA). He previously served as a voting member on the INCITS Quantum Computing Technical Advisory Committee working on technical standards for quantum electronics, and he currently serves on the IEEE P3186 Working Group focused on Port Interface Representing Photonic Signals Using SPICE-class Circuit Simulators.

Related Resources

Back to Home
Thank you, you are now subscribed to updates.