Herzlich Willkommen beim beam-Verlag in Marburg, dem Fachverlag für anspruchsvolle Elektronik-Literatur.


Wir freuen uns, Sie auf unserem ePaper-Kiosk begrüßen zu können.

Aufrufe
vor 2 Jahren

EF-SPS2022

  • Text
  • Positioniersysteme
  • Antriebe
  • Stromversorgung
  • Hmi
  • Industrielle kommunikation
  • Robotik
  • Qualitaetssicherung
  • Automatisierungstechnik
  • Bedienen und visualisieren
  • Messen steuern regeln
  • Iot
  • Industrie pc
  • Messtechnik
  • Produktionsautomatisierung
  • Elektronik
  • Electronics
  • Software
  • Electronic
  • Automation
Fachzeitschrift für Industrielle Automation, Mess-, Steuer- und Regeltechnik

Künstliche Intelligenz

Künstliche Intelligenz Logistikautomatisierung mit Künstlicher Intelligenz KI verändert die Art und Weise, wie die Automatisierung die arbeitsintensive Logistikbranche ergänzt Autor: Zane Tsai, Direktor des Platform Product Center Adlink www.adlinktech.com Im Zuge der Automatisierung wird Technologie eingesetzt, um die menschliche Produktivität in einer Vielzahl von Aufgabenbereichen steigern zu können. In der Logistikbranche ist das Automatisierungspotenzial enorm mit erheblichen Vorteilen, insbesondere wenn der Betrieb mit großen Schwankungen oder steigender Nachfrage zu rechnen hat. Ein Hochskalieren der Betriebs tätigkeit erfordert in der Regel zusätzliches Personal, das oft nicht unmittelbar zur Verfügung steht, insbesondere in Zeiten, in denen eine entsprechende Nachfrage auch aus anderen Branchen kommt. Um schnell auf Marktschwankungen reagieren zu können, sind schnelles Handeln und zusätzliche Kapazitäten im gesamten Betrieb gefragt. Die Logistikautomatisierung ermöglicht eine schnelle Kapazitätserhöhung bei steigender Nachfrage. Strategisch eingesetzt steigert diese Automatisierung die Produktivität, reduziert menschliche Fehler und verbessert die Arbeitseffizienz. Die richtigen Software-, Hardware- und Plattformressourcen für die Logistikautomatisierung bedeuten in Zeiten geringer Nachfrage im Vergleich zu einem großen Personalbestand viel geringere Betriebskosten. Steigt die Nachfrage, sind die Kapazitäten bereits vorhanden und können aktiviert werden. Dies gibt Logistikunternehmen zwar die nötige Flexibilität, um schnell auf Nachfrageänderungen reagieren zu können; trotzdem kann noch mehr getan werden. Künstliche Intelligenz verstärkt die Effektivität der Logistikautomatisierung Die Integration künstlicher Intelligenz (KI) in die Logistikautomatisierung zeigt Wirkung. KI reduziert Fehler im Rahmen üblicher angelernter Tätigkeiten wie dem Sortieren und Kategorisieren von Produkten. Autonome mobile Roboter (AMRs) beispielsweise verbessern die Paketzustellung, unter anderem auf der „last Mile“, mit der üblicherweise die höchsten Kosten assoziiert sind. KI hilft AMRs bei der Routenplanung und Erkennung von beispielsweise Personen, Hindernissen, Lieferportalen und Türen. Herausforderungen bei der Integration Eine Integration der Logistikautomatisierung bringt Herausforderungen mit sich. Ob der Ersatz eines sich wiederholenden Prozesses durch ein Förderband oder die komplexere Einführung eines kollaborativen, autonomen Roboters am Arbeitsplatz, das Spektrum reicht hier von einfach bis anspruchsvoll. Wenn Automatisierungs- und Integrationsprozesse um KI ergänzt werden, sind die Herausforderungen komplexer Natur bei gleichzeitig steigenden Vorteilen. Die Effektivität der einzelnen Automatisierungselemente steigt mit fortschreitender Vernetzung der Lösungen und Berücksichtigung aller anderen Schritte im Prozess. Edge-KI KI, die sich nahe an dem Ort befindet, an dem die Daten generiert und Aktionen durchgeführt werden, wird als Edge-KI bezeichnet. Die Übernahme von Edge-KI definiert Logistikautomatisierung bereits neu. Edge-KI entwickelt sich rasant und ihr Einsatz beschränkt sich nicht auf die Logistikautomatisierung. Die Vorteile einer an der Edge der Netzwerke befindlichen KI müssen gegen die Verfügbarkeit von Ressourcen wie Strom, den Umgebungsbedingungen, dem physischen Standort und verfügbaren Platz abgewogen werden. Inferencing an der Edge Edge-Computing bringt Berechnungen und Daten näher zusammen. Bei einer herkömmlichen IoT-Anwendung werden die meisten Daten über ein Netzwerk an einen (Cloud-) Server gesendet, wo die Daten verarbeitet und die Ergebnisse an die Edge des Netzwerks, beispielsweise an das physische Gerät, zurückgesendet werden. Cloud-only-Computing führt zu Latenzzeiten, die in zeitkritischen Systemen nicht akzeptabel sind. Ein Beispiel für den Einsatz von Edge- Computing ist die lokale Erfassung und Verarbeitung der Bilddaten eines Pakets im Zuge der Sortierung, was dem System der Logistikautomatisierung eine Reaktionszeit von nur 0,2 Sekunden ermöglicht. Die durch diesen Teil des Systems verursachte Netzwerklatenz würde den Sortierprozess verlangsamen, aber Edge- Computing beseitigt diesen potenziellen Engpass. Während Edge-Computing die Berechnung näher an die Daten bringt, macht die Ergänzung der Edge um KI den Prozess flexibler und noch weniger fehleranfällig. Die Logistik auf der „last Mile“ ist stark vom Menschen abhängig, aber auch dort werden durch AMRs mit Edge- KI deutliche Verbesserungen erzielt. Das Hinzufügen von KI hat erhebliche Auswirkungen auf die in der Logistikautomatisierung verwendete Hardware und Software, und es gibt eine zunehmende Anzahl potenzieller Lösungen. Normalerweise qualifizieren die zum Trai- 70 Einkaufsführer Produktionsautomatisierung 2022

Künstliche Intelligenz nieren eines KI-Modells verwendeten Lösungen das Modell nicht für den Einsatz an der Edge des Netzwerks. Die für das Training benötigten Ressourcen sind auf Server mit nahezu unbegrenzten Stromund Speicherkapazitäten ausgelegt. An der Edge sind diese Voraussetzungen nicht gegeben. Der Trend zu heterogenen Architekturen Große Multicore-Prozessoren sind keine gut geeigneten Hardware-Lösungen für Edge-KI-Anwendungen. Stattdessen setzen Entwickler ihren Fokus auf heterogene, für den KI-Einsatz an der Edge optimierte Hardwarelösungen. Dazu gehören natürlich CPUs und GPUs, aber auch anwendungsspezifische integrierte Schaltkreise (ASICs), Mikrocontroller (MCUs) und FPGAs. Einige Architekturen, wie z. B. GPUs, sind gut für die parallele Verarbeitung geeignet, während andere, beispielsweise CPUs, besser für die sequenzielle Verarbeitung geeignet sind. Heute gibt es keine Architektur, die wirklich für sich in Anspruch nehmen kann, die beste Lösung für eine KI-Anwendung zu bieten. Der allgemeine Trend geht dahin, Systeme mit Hardware zu konfigurieren, die die optimale Lösung bietet, anstatt mehrere Instanzen derselben Architektur zu verwenden. Bei diesem Trend zeichnet sich eher eine heterogene Architektur ab, bei der viele verschiedene Hardware-Verarbeitungslösungen zur Zusammenarbeit konfiguriert sind, anstatt einer homogenen Architektur, die sich mehrerer auf demselben Prozessor basierender Geräte bedient. Die Möglichkeit, für jede Aufgabe die richtige Lösung aufzubieten oder mehrere Auf gaben auf einem bestimmten Gerät zu konsolidieren, bietet eine größere Skalierbarkeit und die Chance, die Leistung pro Watt und/oder pro Euro zu optimieren. Der Übergang von einer homogenen Systemarchitektur zu einer heterogenen Verarbeitung erfordert ein umfangreiches Lösungs-Ökosystem und die nachgewiesene Kompetenz, diese Lösungen auf Hardware- und Softwareebene zu konfigurieren. Aus diesem Grund ist es wichtig, mit einem Anbieter zusammenzuarbeiten, der Partnerschaften auf höchstem Niveau mit allen großen, Lösungen für Edge-Computing anbietenden Halbleiterherstellern unterhält und gemeinsam mit ihnen skalierbare und flexible Systeme entwickelt. Darüber hinaus verwenden diese Lösungen allgemeine Open-Source- Technologien wie Linux sowie spezielle Technologien wie das Roboter- Betriebssystem ROS 2. Tatsächlich werden immer mehr Open-Source- Ressourcen zur Unterstützung von sowohl Logistik als auch Edge-KI entwickelt. Aus dieser Perspektive gibt es keine „richtige“ Software lösung, was auch für die Hardwareplattform gilt, auf der die Software läuft. Ein modularer Ansatz für Edge-Computing Um die Flexibilität zu erhöhen und die Anbieterbindung zu reduzieren, verwendet Adlink den Ansatz der Modularisierung auf Hardware ebene, wodurch die Hardwarekonfiguration innerhalb beliebiger Lösungen flexibler wird. In der Praxis ermöglicht die Modularisierung auf Hardwareebene einem Techniker, jeden Teil der Systemhardware, wie beispielsweise einen Prozessor, zu ändern, ohne dass dieses systemweite Störungen zur Folge hätte. Upgrade-Möglichkeit Die Möglichkeit, eine zugrundeliegende Plattform (ob Software, Prozessoren usw.) zu „upgraden“, ist besonders wichtig, wenn die Integration einer neuen Technologie wie Edge-KI ansteht. Jede neue Prozessor- und Modultechnologiegeneration bietet häufig ein besseres Energieaufwand/Leistungsverhältnis für eine an der Edge des Netzwerks arbeitende Inferenz-Engine. Die Möglichkeit, diese Energie- und Leistungsgewinne schnell und mit minimalen Störungen des gesamten Logistikautomatisierungs- und Edge-KI-Hardware-Systems nutzen zu können, ist ein entscheidender Vorteil. Die Hardware- Modularisierung wird mittels Micro-Service-Architektur und Container-Technologie wie Docker im Software-Bereich fortgesetzt. Steht eine optimalere Prozessorlösung zur Verfügung, auch wenn sie von einem anderen Hersteller stammt, kann die den Prozessor nutzende Software modularisiert und anstelle des Moduls des alten Prozessors verwendet werden, ohne dass der Rest des Systems geändert werden muss. Software-Container bieten auch eine einfache und robuste Möglichkeit, neue Funktionen hinzuzufügen, beispielsweise für die Edge-KI. Modularisierte Software Auch die Software innerhalb eines Containers kann modularisiert werden. Ein Beispiel wäre Adlinks Edge Vision Analytics (EVA) SDK (Software Development Kit) für KI-Vision- Produkte. Die auf Gstreamer basierende Plattform konzentriert sich auf die wesentlichen Funktionen, die zum Aufbau einer KI-Vision-Pipeline erforderlich sind. Dies vereinfacht die Pipeline-Entwicklung durch die Nutzung gebrauchsfertiger Open- Source-Plugins (in sich geschlossener Module) für jede Phase der KI-Vision-Pipeline. Die Plugins umfassen Bilderfassung und -verarbeitung, KI-Inferenz, Nachbearbeitung und Analyse. Ein modularer und Container- Ansatz für Hardware und Software minimiert die Anbieterbindung, d. h. eine Lösung ist nicht an eine bestimmte Plattform gebunden. Es erhöht auch die Abstraktion zwischen Plattform und Anwendung, was es Endbenutzern erleichtert, eigene, plattformunabhängige Anwendungen zu entwickeln. Adlink vereinfacht den Upgrade- Prozess durch eine Datenbank, in der die Komponenten beschrieben werden, sobald sie verfügbar sind. Mithilfe dieser Datenbank können Techniker die richtigen Produkte für ein optimales Gleichgewicht zwischen Inferenzleistung und Systemressourcen auswählen. Eine der wichtigsten Anforderungen an die Automatisierung der Logistik ist eine Reaktion in Echtzeit. Zur Erfüllung dieser Anforderungen ist es von Wichtigkeit, mit einem Anbieter zusammenzuarbeiten, der Erfahrung in der Entwicklung von Systemen mit der optimalen Hardware/Software-Kombination hat. Der Adlink-Ansatz ist die Verwendung von Bausteinen, die mit speziellen Technologien von Drittanbietern wie LiDAR-Sensoren integriert werden können. Fazit Der Einsatz von Edge-KI in der Logistikautomatisierung erfordert nicht den Austausch ganzer Systeme. Zuerst beginnt man damit, den Arbeitsplatz zu bewerten und Stufen zu identifizieren, die wirklich von KI-gestützter Automatisierung profitieren können. Das Hauptziel besteht darin, die Effizienz zu steigern und gleichzeitig die Betriebsausgaben zu senken, insbesondere im Hinblick auf eine erhöhte Nachfrage in Zeiten des Arbeitskräftemangels. Immer mehr Technologieunternehmen arbeiten an KI-Lösungen, aber oft zielen diese auf die Cloud und nicht auf Edge-Computing ab. An der Edge sind die Bedingungen sehr unterschiedlich, die Ressourcen können begrenzt sein und es kann sogar der Bedarf an einem dedizierten privaten Kommunikationsnetz bestehen. Die Automatisierung im Logistikbetrieb wird durch den Einsatz von Technologien wie KI weiter expandieren. Diese Systemlösungen müssen für den Einsatz in rauen, sich von Cloud oder Datenzentrum unterscheidenden Umgebungen ausgelegt sein. Diesen Anforderungen begegnet Adlink mit einem modularen Ansatz, der wettbewerbsfähige Lösungen, kurze Entwicklungszyklen und flexible Plattformen bietet. ◄ Einkaufsführer Produktionsautomatisierung 2022 71

hf-praxis

PC & Industrie

© beam-Verlag Dipl.-Ing. Reinhard Birchel