欢迎收看新系列内容的第一部分自动化的世界．这个点对点常见问题系列将着重解释工业自动化世界中最常见和最流行的技术。
第一部分主要讨论传感器。由于工业传感器数量众多，我们专注于机器视觉传感器、智能仪器传感器以及人工智能(AI)在工业传感器数据中的应用。
本点对点常见问题解答系列的每一部分都将重点介绍每种技术的简明而详细的解释，然后是终端用户和集成商对它们的选择、实现和使用的见解。
机器视觉传感器
机器视觉是指将成像、处理和通信组件集成到一个系统中，用于检查和分析物体。图像捕获系统所需的组件包括照亮物体的照明、用于捕获图像的相机和cmos兼容的视觉传感器，该传感器将通过相机镜头捕获的光转换为电信号，可以作为数字图像输出进行处理。一旦图像被数字化，它就被发送到工业计算机或其他配有软件的图像处理设备上，该设备能够使用各种算法和其他方法来识别所观察物体的模式。
一旦机器视觉系统就位，就会使用一个物体传感器来检测某个部件或组件是否存在。从那里，传感器触发光源和相机，捕捉物体的图像。然后，视觉传感器将相机拍摄的图像转换为数字输出。最后，数字文件被保存在计算机上，这样系统的软件就可以对其进行分析，该系统将文件与一组预先确定的标准进行比较，以确定对象的某些属性，例如它是什么类型的产品，或者它是否有任何缺陷。
根据机器视觉应用的不同，可以使用各种类型的视觉传感器。这些包括:
- 轮廓传感器．通过检查一个经过的项目的形状和轮廓与装配线上其他项目的比较，这些传感器可以用来验证一个对象的结构，方向，位置，或完整性。通常，轮廓传感器用于验证零件的正确对齐等任务。
- 像素计数传感器．通过计算图像中相同灰度值的单个像素来测量物体，像素计数器传感器能够确定物体的形状、大小和阴影。可能的应用包括识别金属零件中缺失的螺纹，验证注塑产品的正确形状，以及计算转子内孔的数量。
- 代码的读者．这些传感器识别条形码和其他二维代码，用于阅读产品包装标签，并根据序列号对产品进行分类，以实现库存管理的目的。
- 3 d传感器．与其他视觉传感器不同，3D传感器能够分析物体的表面及其深度。例如，一个3D传感器可以确定一个板条箱里的瓶子是否已经满了配额，或者托盘上的物品是否已经存储了适当的数量。
积分器的建议
集成商响应自动化的世界在本期《常见问题解答》的调查中，他们列出了以下在机器视觉实现中最常见的错误:
- 相机/传感器安装错误;
- 没有对镜头上的水分进行补偿或校正;
- 与传感器的中心距离不当;
- 三维选点精度不足;而且
- 对金属或闪亮物体的正确探测缺乏照明补偿。
作为的一部分自动化的世界的研究，我们请系统集成商分享他们对机器视觉的选择和实施的顶级建议。在甄选过程中，有八个关键方面是明确的:
- 评估传感器类型用于相机- cmos或CCD。CMOS往往比CCD更受青睐，因为它的灵活性和更大的选择范围。
- 确定需要的颜色．如果颜色对机器视觉应用程序来说不是必需的，那么使用单色版本或模式。
- 考虑机器视觉系统的兼容性机器视觉系统将与现有系统和其他安装的技术一起运行。
- 评估基于pc或嵌入式视觉选项的选择．嵌入式视觉系统通常更容易集成到现有系统中，因为它们往往更小。因为嵌入式视觉系统往往被安置在一个设备中，它们有很少的移动部件，需要更少的维护。
- 不要忽视细粒度的细节如感应距离和精度。这些因素可能会对机器视觉技术最初安装的应用程序及其对工艺变化的适应性产生巨大影响。
- 确保工业物联网连接．这包括可用的以太网端口以及各种工业通信协议的适用性。
- 环境的操作条件．验证您正在研究的机器视觉系统保证在您的操作环境中运行。
- 参考VDI/VDE/VDMA 2632-2标准用于机器视觉应用。本标准为机器视觉技术供应商和用户提供了针对特定任务设置机器视觉系统的指导方针。
终端用户的建议
与集成商的机器视觉选择推荐相比——集成商倾向于关注核心特性/功能方面，读者推荐则侧重于应用技巧和建议。最常见的是，读者关注的是来自供应商的易用性和可靠的技术支持。这两个因素被引用最多，因为视觉系统的准确性和正确的配置是成功应用该技术的关键。
除了这些建议，还推荐了其他13条申请建议:
- 非常清楚当前的过程需求，因为它们有助于缩小视觉系统的预期范围。
- 建立一个内部愿景团队帮助视觉系统的选择和编程。类似地，其他受访者建议在使用视觉系统投入生产之前，要有一个明确的内部所有者，负责支持和更改。
- 认清大局-有了视觉系统，你可以不只是拒绝有缺陷的部件。您收集的关于缺陷的数据为您提供了在生产线上识别和修复性能问题的机会。
- 生产过程应该给检查留足够的时间由视觉系统最适合您的应用。
- 确保相机安装不干扰操作员的交互与机器，如除去故障部件，固定堵塞，或进行维护。
- 找一个机器视觉系统直观易懂的操作界面．
- 确保视觉系统配合您的房间照明并准备好根据需要添加照明。
- 找一个好的视觉系统集成商成功的机器视觉设置通常需要一个好的集成商。
- 视觉系统应该有数据趋势功能，并能够提供实时数据对工艺设备进行调整，以便进行动态更改。
- 记录和存储通过/失败数据持续改善。
- 把钱花在最好的东西上，但要记住价格并不一定等于价值．一位受访者指出:“闪亮的金属碎片很难被发现”，无论你选择哪种系统。
- 探索机器视觉初创企业访问最新的功能。一位受访者指出:“这个领域正在迅速发展，出现了成本更低的替代品。”
- 花点时间做一个概念验证与两到三个供应商比较结果，推动供应商之间的竞争。
智能仪器的传感器
智能仪器通常被定义为具有超越其主要功能的测量和诊断功能的仪器。例如，像科里奥利流量计这样的设备可以被称为智能仪器，因为它能够同时测量质量、体积和密度。为了做到这一点，智能仪器依赖于能够与机载微处理器连接的智能传感器。除了传感器，发射机使仪器能够通过网络进行数据通信。
最终，驱动智能仪器的智能传感器将记录与模拟基传感器相同的过程变量，如水平、温度、压力和接近度。然而，对基传感器进行校准，以将与这些过程值之一直接对应的电压信号发送到外部控制系统，然后该系统对该信息进行解释和处理。相比之下，智能传感器使用自带的微处理器，在与外部设备进行通信之前，将数据转换为可用的数字格式。换句话说，基本传感器的输出是原始的，必须通过外部设备转换成可用的格式，而智能传感器产生的输出是现成的。同样，由于智能传感器不需要将模拟电压信号传递给外部控制系统，它可以同时处理、记录和传输多个变量。
此外，由于智能仪器可以本地处理数据，它们也可以绕过较低级别的控制系统，直接通过互联网或专用数字网络传输信息，节省空间、电力和计算资源。这也允许操作人员通过移动设备(如手机或平板电脑)访问维护、校准和调试数据，而不必访问固定的工作站。
最后，智能仪器能够进行自我诊断，并可以在潜在的校准问题发生前向操作人员报告。通过根据可追溯和完善的校准标准评估自己的输出，智能仪器可以自我确认其产生的数据的质量。就像它们同时记录和传输多个过程变量的能力一样，如果没有能够与嵌入式微处理器连接的智能传感器，这将不可能实现。
使用建议
虽然智能工具可能是“智能的”，因为它们可以提供关于它们所监视的过程的额外洞察，但在成功实现和使用方面，它们仍然需要指导。
在选择具有先进传感技术的智能仪器时，接受我们调查的集成商提出了以下七条建议:
- 一定要检查制造商的规格说明以确保仪器能提供你想要的结果。
- 验证仪器的准确性和重复性．
- 小心翼翼地审查气候条件要求．
- 确保仪器有通信选项你追求现在，也可能追求未来;例如，开放的沟通方式通常是首选。
- 确保仪器与现有系统兼容在你的设施。
- 选择有经验的集成商使用您选择的传感器和仪器。
- 预计会比计划花费更多的钱当你的第一个智能仪器系统投入使用时。
人工智能在传感器数据中的应用
人工智能可以在利用传感器收集的数据方面发挥重要作用。例如，在机器视觉中，如果没有软件算法就无法对捕获的图像进行分析，这个过程通常需要使用由人类程序员确定的固定规则，不符合人工智能驱动的标准。在这些情况下，以各种标准的形式从物体图像中提取数据，例如测量或物体类型，然后与预先建立的目标值进行比较，以做出与物体有关的决策。
相比之下，人工智能驱动的机器视觉质量检测依赖于深度学习技术，该技术采用了受真实生物过程启发的深度神经网络(DNN)来摄取和处理大量的视觉数据。通过使用DNN，机器视觉系统可以自主创建规则，确定属性组合，从而区分优质产品和缺陷产品。这不仅允许系统学习如何检测更细微的和定性的缺陷，而且它还可以通过允许自动进行重构来提高质量检查系统的灵活性。从本质上说，人工智能驱动的机器学习系统可以生成自己的一套规则，仅通过查看一组质量良好和有缺陷的产品的图像，就可以确定新产品是否应该通过检查。
生产线上的机器人取放作业同样可以从人工智能驱动的机器视觉中获益。通常，执行这些操作的机器人需要使用教学吊坠或手动引导程序进行训练，这需要操作人员在标准化操作的每一步中手动引导机器人手臂。如果工作单元配置或要处理的项目发生变化，机器人必须手动重新编程。但是，当使用人工智能驱动的机器视觉系统进行引导时，机器人可以自动校准自己。这种功能在具有快速转换或不同产品高度混合的环境中特别有用，这些环境要求频繁地重新配置。
人工智能应用的趋势
从本文的研究中得到的更有趣的见解是，终端用户和集成商引用的传感器数据上使用AI的设备或系统类型的差异。对于集成商来说，应用于传感器数据的前三种ai支持系统分别是:控制器(50%)、制造执行系统(33%)、边缘设备和云应用(各占33%)。对于终端用户来说，最受欢迎的三种人工智能技术是控制器(53%)、驱动器(33%)和制造执行系统(27%)。
最终用户注意到他们使用人工智能的具体应用类型如下:
- 部件及产品检验;
- 整体资产健康;
- 输送机上的零件和产品位置;
- 质量检查;而且
- 扭矩、温度和振动分析。
除了AI在传感器数据上的一般应用外，集成商还提出了一些特别有用的特定应用类型的建议。这些建议包括:
- 选择可以应用于多个流程的AI技术。
- 从你最重要/最有价值的资产开始做起;不要试图把海洋煮沸。
- 在添加更多传感器之前，利用人工智能现有的数据，因为你可能已经有足够的数据来产生积极的影响。
- 利用新的基于云的AI/ML(机器学习)服务，可以简化和/或加速模型开发和部署。
- 探索专注于工业数据的AI技术初创公司。
- 寻找能够在改变AI算法时提供灵活性的技术;这在要求微米级精度的应用程序中特别有用。
- 对数据库的大小要慷慨。
最重要的是，集成商建议制造商“尽快开始”将AI应用于传感器数据。由于超过四分之一的市场已经在使用人工智能，那些在人工智能应用方面落后的企业可能会发现，从运营正常运行时间和长期战略决策能力的角度来看，自己处于显著劣势。
