Nel precedente articolo abbiamo raccontato il ruolo strategico dell’Intelligenza Artificiale in casa Siemens. Ma su quali prodotti si declina? E soprattutto, perché c’è bisogno dell’Intelligenza artificiale in ambito industriale? La risposta passa, innanzitutto, dagli attuali sistemi di automazione. Seppure eccellenti in compiti altamente ripetitivi, devono anche essere in grado di interpretare i dati di sensori complessi come le telecamere, di reagire a situazioni inaspettate o di dare un giudizio complesso basato su una lunga esperienza.
È qui che entra in gioco l’A.I. fornendo “la vista” ai sistemi di automazione, raccogliendo ed elaborando i dati, per esempio tramite l’edge computing. Soluzioni come Siemens Industrial Edge offrono una migliore funzionalità in officina con un controllo completo dei dati. I dispositivi edge consentono l’elaborazione dei dati a bordo macchina, mantenendo al contempo la connettività cloud per gli aggiornamenti software centralizzati e l’analisi dei dati in più sedi.
Intelligenza artificiale e industry: Mindsphere al centro
Le prime applicazioni reali dell’Intelligenza artificiale stanno già trovando posto nelle attività industriali, tra cui il riconoscimento del linguaggio per eseguire compiti di base, la documentazione dell’ambiente circostante tramite telecamere, raggi laser o raggi X, e la fornitura di assistenti personali virtuali nella logistica. Siemens prevede soluzioni nel settore dell’assistenza, come la manutenzione predittiva, e altre applicazioni per l’ingegneria e i test di qualità. In questo senso, diventa centrale MindSphere, il sistema operativo cloud-based di Siemens, dedicato all’Internet of Things, e le applicazioni intelligenti sviluppate dalla multinazionale, fornendo anche il supporto per la continua ottimizzazione dei processi in grado di migliorare l’efficienza delle macchine.
Proprio MindSphere è uno degli strumenti più importanti che consentono l’uso dell’Intelligenza artificiale nell’industria. Oltre a permettere di collegare infrastrutture fisiche al mondo digitale, esegue analisi approfondite per rendere le grandi quantità di dati IoT utili per l’ottimizzazione, la simulazione e il processo decisionale. Attraverso il sistema MindSphere, l’A.I. entra in gioco attraverso un processo di Predictive Learning, che permette di combinare analisi, statistiche e algoritmi di machine learning per fornire una visione ineguagliata delle tendenze dei dati. MindSphere raccoglie e archivia tutti i dati della macchina, permettendo agli algoritmi di imparare. Più dati vengono raccolti, più l’algoritmo diventa capace di prevedere. Man mano che l’algoritmo migliora, la nuova versione migliorata viene trasferita dal cloud al dispositivo edge. Il risultato è una maggiore capacità della macchina e la riduzione significativa dei costi causati da tempi di fermo macchina imprevisti, compresi i potenziali effetti a catena lungo tutta la catena di fornitura.
AI, edge e cloud: la combinazione virtuosa con Mindsphere
«Mindsphere e cloud computing supportano l’edge. Quest’ultimo, rispetto a un’applicazione cloud pura, può avere un’autonomia di funzionamento locale che le permette ad esempio di funzionare anche scollegata dalla rete, temporaneamente, pre elaborando dei dati da inviare poi al cloud. L’A.I. è il tipo di applicazione che è possibile pensare di installare sull’edge device per svolgere compiti complessi altrimenti impossibili da svolgere avvalendosi unicamente del cloud: occorre prendere decisioni in real time a livello locale, sul fine linea», spiega Giuseppe Biffi, business development manager digital enterprise di Siemens Digital Industrie. Un esempio di tale processo è quello attuato nello stabilimento di Amberg dove si producono i controllori Simatic.
Nel sito tedesco viene impiegato un sistema combinato con A.I. per il controllo qualità delle schede elettroniche prodotte. La fase di realizzazione di questo progetto di controllo qualità ha previsto innanzitutto una raccolta dati pervasiva sulla linea, in modalità offline, caricati sul cloud e lì è stata addestrata la rete neurale che ha governato il processo di decisione per verificare la qualità delle schede. «La rete è stata scaricata poi sull’edge device per il funzionamento in tempo reale che permette alla macchina di valutare immediatamente la necessità di un ulteriore test per rilevare eventuali difetti e scartare quelle imperfette», illustra Biffi, spiegando come ad Amberg sia stato messo in pratica l’impiego combinato di intelligenza artificiale, cloud ed edge computing per il controllo qualità su una linea di realizzazione dei Pcb per i componenti degli I/O distribuiti (da collegare alle Cpu S7-1500). I circuiti stampati ospitano connettori Bus legati alla funzione con vari pin di connessione. In un test non integrato, i giunti saldati di questi pin di connessione vengono sottoposti a raggi X e controllati per verificarne il corretto funzionamento. «È una linea altamente produttiva, molto rapida, ma con un collo di bottiglia proprio nel sistema di ispezione. Una possibile soluzione era il raddoppio del sistema a raggi X, opzione molto costosa», racconta Biffi.
Per questo si è proceduto a mettere in atto un’alternativa, combinando appunto edge e cloud computing con l’AI: «è stato installato sulla linea un edge device in grado di raccogliere dati. Si è scoperto innanzitutto che non tutte le schede avevano bisogno di essere ispezionate ai raggi X per determinate condizioni e parametri produttivi. Dalla raccolta dati derivanti dalla produzione delle varie schede elettroniche e dai test di qualità, poi consolidati su cloud mediante applicazione Mindsphere e classificati, è stato possibile generare, attraverso una rete neurale attiva su cloud, un’applicazione di Ai che ha permesso di decidere, mediante determinati parametri, se passare ai raggi X i singoli prodotti». È stata addestrata la rete neurale sul cloud e poi scaricata sull’edge per intervenire in tempo reale. «Diventato quindi analizzatore per il fine linea, l’edge computing interviene mediante la rete neurale, fornisce il responso e la decisione di suddivisione del percorso scheda. Il risultato finale è stato significativo: si è registrata una riduzione del 30% test ai raggi X; il quality rate è rimasto inalterato; si è evitato l’investimento in un secondo scanner a raggi X, del valore di 500mila euro».
Plc e Intelligenza artificiale: l’avvento della rete neurale
Simatic è una delle parti che hanno beneficiato dell’avvento dell’Intelligenza artificiale. Come spiega la stessa Siemens, soluzioni scalabili dal livello di campo fino al cloud saranno possibili con MindSphere, nel contesto della strategia Totally Integrated Automation. Ciò significa che una soluzione di Ai può essere adattata al suo ambiente e all’applicazione di destinazione a seconda delle necessità, sia a bordo macchina che per soluzioni su tutte le macchine o addirittura su tutti gli impianti. Il primo passo importante per l’integrazione dell’Artificial Intelligence nell’ambiente di automazione è il nuovo modulo NPU (Neural Processing Unit), applicabile al controllore Simatic S7-1500. Il modulo può essere integrato nel sistema di automazione Simatic, permettendo così una combinazione redditizia di algoritmi AI e logica Plc. È dotato della Vpu AI Myriad X Vision di Intel Movidius, pensata proprio per applicazioni deep Learning e AI e che consente l’elaborazione efficiente delle reti neurali.
La rete neurale è un modello matematico che emula artificialmente il funzionamento del cervello, in cui sono presenti complesse organizzazioni di cellule nervose, con compiti di riconoscimento delle configurazioni assunte dall’ambiente esterno. È essenziale per svolgere diversi servizi a valore aggiunto. Siemens la sta sperimentando concretamente in due ambiti applicativi: il riconoscimento visuale degli oggetti mediante telecamere e nei robot di movimentazione materiali (material handling).
AI, machine learning e reti neurali: casi pratici di impiego
Le applicazioni di Simatic S7-1500 con NPU è ampia. Una di quelle sviluppate di recente da Siemens riguarda il sistema di riconoscimento visuale degli oggetti con A.I. È molto più avanzato rispetto ai tradizionali strumenti di vision system, basati su un apparato elettronico che sfrutta telecamere e determinati algoritmi che eseguono funzioni di visione artificiale applicabile a diverse funzioni. «Rispetto a tali sistemi, che possono riconoscere un oggetto dalle caratteristiche geometriche ben definite, quello messo a punto da Siemens permette di identificare prodotti non così determinati», spiega Biffi. L’esempio concreto è stato attuato in una linea di prodotti alimentari da forno in cui c’era la necessità di riconoscere eventuali difformità. «In casi come questi, in cui non è possibile formalizzare in modo semplice le caratteristiche di un oggetto, viene in aiuto un algoritmo di intelligenza artificiale. Esso lavora mediante reti neurali addestrate, tramite processi di machine learning, a svolgere un determinato compito». Per questo tipo di applicazione Siemens ha elaborato un’infrastruttura hardware specifica che ha permesso di selezionare i prodotti rispondenti agli standard di qualità e individuare quelli da scartare, potendo così ottimizzare la produzione. Lo stesso esempio è possibile metterlo in atto in vari casi di impiego, in particolare nel manifatturiero.
A proposito di robot predisposti per il material handling, sempre mediante la scheda Siemens Npu a bordo del Plc Simatic S7-1500, l’intelligenza artificiale garantisce al robot di riconoscere oggetti noti in posizioni non dettagliate a priori, ma anche oggetti sconosciuti e di calcolare autonomamente i migliori punti di presa. Tutto questo grazie a un preventivo addestramento della rete neurale. «L’apprendimento mediante rete neurale di un comportamento permette, senza esplicita programmazione del dispositivo, ma attraverso esempi, consente di svolgere compiti che altrimenti dovrebbero essere eseguiti da un umano», conclude Biffi.
