从食品和饮料到汽车,定制制造是所有垂直制造领域的一个主要趋势。但受这一趋势影响最大的垂直行业可能是电子行业。
想想你的电子设备,从电脑到平板电脑再到智能手机,以及供应商提供的各种配置选项。从内存到处理器速度,再到连接端口的数量和类型,消费电子产品上常见的选项数量通常会转化为制造商可能的数百个组件。现在考虑电子技术,如服务器,以及这些技术供应商提供的可配置性,以满足各种业务需求。
这就是富士康在其位于捷克共和国库特纳霍拉(Kutna Hora)的生产线所面临的复杂程度,该工厂生产HPE(惠普企业)IT系统。
为了让你了解富士康工厂的组装有多复杂,想想一台HPE服务器可以配备2到16个内存模块,每个内存模块可以是16gb、32gb、64gb或128gb。HPE Pointnext(该公司的数字转型咨询公司)的全球物联网服务总监Norbert Reil说:“这些内存选项允许数百种产品的变体,反过来,这些选项必须与处理器、风扇、磁盘驱动器等可用选项的数量相乘。”
赖尔指出,这些服务器的质量保证不仅要求数量和系统部件的位置的评估,而且他们的正确实施。“举个例子,电缆不仅要定位在正确的端口前,还要检查,以制造和装配过程中确保它成功实际上是插入,”他说。“此外,其他产品缺陷,如服务器机架的表面上的划痕,必须考虑”。
执行所有这些质量检查每次可能需要人工几分钟。在富士康工厂,每天可以生产数千台IT设备,这意味着“制造过程中增加了大量的成本和时间,”Reil补充道。
为了解决这个问题,HPE Pointnext,与Relimetrics一起(其中智能进行质量审核工业4.0),部署了质量保证体系,视频分析自动化的检验过程。“视频摄像机-10在传送带上的产品的每一个传送带捕获高分辨率图像和流他们其中图像通过视频分析应用程序中使用的机器学习(ML)算法分析的嵌入或附着IT系统”雷尔说。“ML实际产品的图像与显示准确的和有缺陷的实施方式中的参考图像进行比较。因此,机器学习,如果电缆被正确插入的端口,如果存储器模块被正确地插入插座中,或“如果在底盘上的划痕。
Reil说,视频分析/质量系统可以与各种工业摄像机系统配合使用。富士康Kutna Hora工厂使用的是Basler acA4024-8gc千兆以太网摄像机,该摄像机以12.2 MP的分辨率每秒传送8帧。
ML技术在执行这些类型的检查时非常有效,但由于产品的多样性,分析系统的培训可能具有挑战性。培训基于ML的分析系统的一种方法是教它检测配置、实施中的缺陷或产品的任何其他损坏。这种方法可能需要数千个参考图像,分析应用程序可以将这些图像与传送带上的产品图像进行比较。这种方法的缺点包括训练ML算法需要数周的时间,以及需要为每个新配置、产品更新或更新进行新的训练周期。
为了避免这些步骤,HPE Pointnext和Relimetrics设计的系统,使得它不要求完全的服务器的参考图像存储,而只是组件 - 例如放置在适当的狭槽或与其风扇处理器插槽内存模块。在此设置中,制造执行系统(MES)提供的材料以用于在传送带上的每个产品的分析应用的法案。根据Reil的,这使得该系统能够创建基于相关的参考图像组件装配检查完整的参考图片。“与视频解决方案的数据交换功能就是通过SCADA层,附着MES-这两者都是富士康的所谓EFOX定制生产系统的一部分,”他补充道。
Reil说,这种方法的两个主要好处是:“首先,ML算法聚合学习的速度更快,效率更高,因为参考图像组件经常被重用。在富士康的库特纳霍拉(Kutna Hora)工厂,HPE Pointnext能够在两天时间内培训ML模型,以确保新服务器的质量,其中包含大约1000个配置变体,缺陷检测过程完全自动化。其次,这种方法通过根据材料清单提供的实际产品配置组合图像组件,提高了灵活性。”
与大量的都在这个系统中使用的相机创建的数据处理是另一个问题是必须面对。考虑到这些相机产生3 GB每小时的图像数据的,这将是不实际的通过内部或外部网络,以将数据传输到被远程服务器上进行处理。“等待时间会太高,网络将这些数据量超载,并在网络中断期间的生产系统将陷于停顿,”赖尔说。
为了克服这个问题,HPE Pointnext在HPE Edgeline融合边缘系统上部署了基于ML的视频分析系统。“这些坚固、紧凑的系统在设计时考虑到了制造环境,并集成了操作技术(OT)像数据采集系统、控制系统和工业网络一样,实现无缝双向和确定性通信,并控制OT系统,如摄像机、生产机器或传送带,”Reil说。
来自摄像机流的数据首先在运行在传送带附近的HPE Edgeline融合边缘系统上进行预处理。Reil解释说:“该解决方案提取实际产品的图像,然后使用ML算法实时分析数据,以检测缺陷。”“只有一部分分析后的图像会通过网络传输并存档,以确保可追溯性和一致性。”