Thu hẹp khoảng cách: Kết nối máy cũ với hệ thống mới bằng máy học và kết nối biên

Các hệ thống cũ, thiết bị lỗi thời và máy cũ vẫn còn phổ biến ở nhiều khu vực cửa hàng và việc sử dụng chúng dự kiến ​​sẽ tiếp tục trong tương lai gần. Có thể khó biện minh cho việc thay thế một máy cũ đang hoạt động bằng một máy mới chỉ nhằm mục đích kết nối và thu thập dữ liệu. Tuy nhiên, tất cả chúng ta đều nhận ra giá trị và tầm quan trọng của việc hiểu trạng thái của máy và kết nối các máy cũ này với các hệ thống mới cung cấp khả năng giám sát, cảnh báo, truy xuất nguồn gốc và tính minh bạch cho các hoạt động của cửa hàng. Nhận thức này phục vụ như một cái mở rộng tầm mắt.

Vì vậy, thách thức chúng ta phải đối mặt là gì? Một mặt, chúng tôi mong muốn khả năng kết nối và khả năng tiếp tục khai thác giá trị từ những chiếc máy này. Mặt khác, đây là những máy cũ thường không hỗ trợ các giao thức hiện đại như OPC UA và MQTT, và một số thậm chí không thể kết nối trực tiếp, bất kể nỗ lực là gì. Ngoài ra, các loại máy khác, đơn giản hơn, chẳng hạn như máy bơm hoặc quạt, đơn giản là không có gì để đọc, tuy nhiên, chúng tôi vẫn muốn xem chúng chạy như thế nào và khi nào, chúng tiêu thụ bao nhiêu năng lượng và thậm chí dự đoán hỏng hóc.

Cải tiến một máy lỗi thời mang lại nhiều lợi ích, chẳng hạn như nâng cao chất lượng sản phẩm, tăng năng suất sản xuất và cho phép giám sát và thu thập dữ liệu hiệu quả. Tuy nhiên, quá trình giới thiệu các thay đổi của cửa hàng máy móc, chẳng hạn như nâng cấp lên một kiểu máy mới hơn, không hề đơn giản. Nó làm gián đoạn quy trình công việc hiện có, đòi hỏi phải đào tạo nhân viên và đòi hỏi chi phí đáng kể. Hơn nữa, từ góc độ đầu tư, việc thu hồi vốn đầu tư máy móc ban đầu đòi hỏi một lượng thời gian đáng kể. Do đó, chúng ta bắt buộc phải thúc đẩy sự sáng tạo và khám phá các phương pháp thay thế để kết nối với máy móc cũ kỹ, thay vì dùng đến phương án thay thế ngay lập tức.

Đáng ngạc nhiên là những vấn đề này có thể được giải quyết bằng các phương pháp và công nghệ mới, và một giải pháp như vậy liên quan đến việc khai thác sức mạnh của các cảm biến để tạo dữ liệu. Thu hẹp khoảng cách giữa máy móc lỗi thời và nền tảng hiện đại không khó khăn như vẻ ngoài của nó. Hãy xem xét một máy cũ hơn có trước Internet vạn vật công nghiệp (IIoT) và không thể kết nối bằng các phương pháp giám sát và thu thập dữ liệu thông thường. Trong những trường hợp như vậy, câu trả lời nằm ở một giải pháp đơn giản và tiết kiệm chi phí: cảm biến, cụ thể là cảm biến đo dòng điện và độ rung linh hoạt và tương thích với nhiều loại máy móc. Để khai thác tiềm năng của dữ liệu do cảm biến tạo ra này, chúng tôi sẽ sử dụng các kỹ thuật học máy (ML).

[Teaser: You can also use cameras and OCR to connect to the machine screen, learn more in this blog.]

Học máy đã tận dụng dữ liệu cảm biến trong gần hai thập kỷ, với bảo trì dự đoán là ứng dụng nổi tiếng nhất. Tuy nhiên, có rất nhiều ứng dụng khác là tốt. Trong bối cảnh thảo luận của chúng tôi, mục tiêu của chúng tôi là dự đoán trạng thái của máy, cho dù đó là ‘bật’, ‘tắt’ hay thậm chí trong một điều kiện sắc thái hơn. Ví dụ: khi giám sát một máy ép phun hoặc máy CNC, chúng ta có thể xác định trạng thái của nó tại bất kỳ thời điểm nào. Bây giờ, hãy đi sâu vào chi tiết.

Bằng cách kết hợp các cảm biến, chúng tôi có khả năng thu thập dữ liệu có giá trị từ những cỗ máy cũ kỹ của mình. Những thay đổi về mức độ rung động và hiện tại trong suốt các giai đoạn quy trình khác nhau cung cấp thông tin sâu sắc. Cảm biến hoạt động như một cửa sổ vào thời điểm hiện tại, cung cấp dữ liệu thời gian thực. Ví dụ, trong giai đoạn làm nóng máy ép phun, chúng ta có thể thấy mức tiêu thụ năng lượng cao (được đo bằng cảm biến dòng điện). Tương tự, cảm biến rung sẽ phát hiện hoạt động quan trọng trong giai đoạn cắt thô của máy CNC.

Xuất sắc! Hiện chúng tôi đã thiết lập một phương tiện trích xuất dữ liệu từ các máy cũ của mình. Bước tiếp theo là chuyển dữ liệu này đến một nền tảng nơi chúng tôi có thể rút ra những hiểu biết có ý nghĩa từ nó.

Đây là nơi các thiết bị Tulip Edge và Nền tảng Tulip chứng tỏ giá trị vô giá.

Cảm biến thu hẹp khoảng cách giữa lĩnh vực vật lý và kỹ thuật số bằng cách tạo dữ liệu. Bước tiếp theo liên quan đến việc kết nối luồng dữ liệu từ cảm biến với hệ thống kỹ thuật số, điều này có thể đạt được bằng cách sử dụng các thiết bị cạnh như EdgeIO của Tulip. Thiết bị này tạo điều kiện tích hợp liền mạch các cảm biến với nền tảng Tulip. Được trang bị nhiều cổng phù hợp với nhiều loại cảm biến, Tulip’s EdgeIO cũng tích hợp Node-RED, một công cụ mạnh mẽ đáng để khám phá. Về bản chất, Node-RED là một công cụ phát triển dựa trên luồng được sử dụng để kết nối các thiết bị phần cứng, API và dịch vụ trực tuyến trong lĩnh vực Internet vạn vật (IoT). Trình chỉnh sửa luồng dựa trên trình duyệt web của nó cho phép người dùng tạo các hàm JavaScript giúp xử lý dữ liệu.

Khi chúng tôi đã kết nối các cảm biến với máy của mình ở một bên và với EdgeIO ở bên kia, chúng tôi xác định luồng dữ liệu trên Node-RED, cho phép chúng tôi lưu trữ dữ liệu trong Tulip. Bước tiếp theo liên quan đến việc sử dụng dữ liệu này để thu thập thông tin chi tiết, tạo báo cáo, tạo bảng điều khiển thời gian thực và thiết lập cảnh báo.

Sau khi nối dây máy và thiết lập luồng dữ liệu, bước quan trọng tiếp theo là tận dụng nó trong thời gian thực. Hầu hết các cảm biến sẽ tạo dữ liệu chuỗi thời gian, đại diện cho tín hiệu tương tự được lấy mẫu thống nhất theo thời gian để tạo dữ liệu kỹ thuật số rời rạc. Dữ liệu này truyền theo thời gian thực từ cảm biến đến EdgeIO và vào cơ sở dữ liệu đám mây của chúng tôi. Tại thời điểm này, chúng ta có thể sử dụng logic để rút ra những hiểu biết có giá trị. Logic có thể bao gồm từ các cách tiếp cận dựa trên ngưỡng đơn giản đến các mô hình học máy phức tạp hơn.

Việc cung cấp hướng dẫn chuyên sâu về xây dựng các giải pháp máy học cho dữ liệu chuỗi thời gian nằm ngoài phạm vi của blog này. Tuy nhiên, chúng tôi muốn giới thiệu một số ý tưởng và khái niệm về cách nó có thể được thực hiện.

Các giải pháp máy học có thể được coi là một hộp lấy mẫu dữ liệu làm đầu vào và cung cấp dự đoán làm đầu ra. Trong trường hợp của chúng tôi, đầu vào sẽ bao gồm một vài mẫu từ chuỗi thời gian (tín hiệu khoảng 5–10 giây) và đầu ra sẽ là trạng thái của máy. Để đơn giản, hãy giả sử hai trạng thái: “tắt” và “bật”, mặc dù giải pháp có thể được tổng quát hóa cho nhiều trạng thái. Trong cài đặt sản xuất, mô hình ML hoặc thuật toán sẽ nhận các mẫu dữ liệu và dự đoán trạng thái của máy. Trước khi đạt được điều này, mô hình cần được đào tạo để thực hiện nhiệm vụ mong muốn.

Đào tạo hoặc xây dựng mô hình là nhiệm vụ của các nhà khoa học dữ liệu, những người sử dụng dữ liệu lịch sử để đào tạo mô hình. Có hai cách tiếp cận chính để huấn luyện một mô hình mà chúng tôi muốn giới thiệu: học không giám sát và học có giám sát.

Phương pháp học tập không giám sát, cụ thể là phân cụm, liên quan đến việc thu thập dữ liệu từ các cảm biến và chia nó thành các khoảng thời gian nhỏ (thường là vài giây, tùy thuộc vào máy). Mục tiêu là phân cụm các điểm dữ liệu, đảm bảo rằng các mẫu “tắt” và “bật” được nhóm thành các cụm riêng biệt dựa trên các đặc điểm thống kê của chúng. Trong phân cụm, không cần ghi nhãn và các mẫu được nhóm chỉ dựa trên đặc điểm của chúng. Để gán nhãn cho các cụm, người dùng có thể cần chú thích một số lượng nhỏ mẫu, mẫu này sẽ được mô hình sử dụng để xác định nhãn cụm. Trong quá trình sản xuất, khi một mẫu dữ liệu mới được đưa vào, khoảng cách của nó đến các cụm sẽ được tính toán và nhãn của cụm gần nhất sẽ trở thành trạng thái dự đoán của mẫu mới.

Mặc dù các phương pháp không giám sát rất mạnh, nhưng chúng có thể có những hạn chế về độ chính xác và độ phức tạp, đặc biệt đối với các sự cố có trạng thái máy tương tự. Đây là lý do tại sao các phương pháp được giám sát phổ biến vì chúng sử dụng dữ liệu được gắn nhãn và thường dễ huấn luyện hơn. Để thu thập dữ liệu được gắn nhãn, người dùng được yêu cầu gắn nhãn trạng thái của máy trong khoảng thời gian lấy mẫu dữ liệu. Khi vài trăm mẫu dữ liệu được dán nhãn được thu thập, một mô hình như mạng thần kinh có thể được đào tạo để phân tích một mẫu dữ liệu nhất định và dự đoán trạng thái của máy. Mô hình được đào tạo sau đó có thể được sử dụng trong sản xuất để phân loại trạng thái hiện tại của máy. Ngoài ra, dữ liệu được gắn nhãn phải phản ánh hoạt động của máy trong quá trình sản xuất, vì vậy, nếu chúng tôi có một máy bật/tắt đơn giản, thì một vài mẫu là đủ. Ngược lại, nếu nó trải qua các bước sản xuất khác nhau, thay đổi vật liệu hoặc các yếu tố bên ngoài ảnh hưởng đến dữ liệu, thì nó có thể cần rất nhiều dữ liệu được dán nhãn.

Trong cả hai cách tiếp cận, mô hình được đào tạo bằng cách sử dụng dữ liệu lịch sử. Các phương pháp không được giám sát, như Phân cụm, không yêu cầu ghi nhãn nhưng có thể có độ chính xác thấp hơn và độ phức tạp hạn chế. Mặt khác, các mô hình được giám sát dễ đào tạo hơn và thường đạt được hiệu suất vượt trội.Tuy nhiên, việc dán nhãn có thể phức tạp và tốn thời gian.

Khả năng kết nối là một thành phần quan trọng của quá trình chuyển đổi kỹ thuật số thành công, thường được thể hiện trong khu vực cửa hàng bằng khái niệm Internet vạn vật công nghiệp (IIoT). Khái niệm này xoay quanh sự tích hợp của máy móc và các thực thể khác với internet, một ý tưởng có vẻ đơn giản trong thế giới ngày nay. Tuy nhiên, thực hiện kết nối hiệu quả là một nỗ lực phức tạp. Đây là lúc Tulip bước vào, cung cấp nhiều khả năng kết nối cho phép thu thập dữ liệu máy thông qua các giao diện phần mềm hiện đại như API và truy vấn SQL, cũng như các kết nối vật lý như giao diện mạng, USB, nối tiếp và tương tự. Ngoài ra, Tulip hỗ trợ các giao thức tiêu chuẩn như OPC-UA và MQTT, được thiết kế đặc biệt để hỗ trợ kết nối máy. Các đầu nối này đóng vai trò là cầu nối giữa miền vật lý và miền kỹ thuật số, tạo điều kiện truyền dữ liệu liền mạch.

Tuy nhiên, có thể có những trường hợp các máy kết nối tỏ ra khó khăn, đòi hỏi các giải pháp sáng tạo. Trong những trường hợp như vậy, Tulip hoạt động như một hộp công cụ đa năng, trao quyền cho người dùng khám phá và giải phóng khả năng sáng tạo của họ trong lĩnh vực số hóa.

EdgeIO là một thiết bị cho phép kết hợp các thiết bị làm đầu vào và đầu ra trong các ứng dụng của bạn, tạo điều kiện thuận lợi cho việc tạo trình kích hoạt và quy trình công việc tiết kiệm thời gian. Nó ghi lại các sự kiện và phép đo được ghi lại bởi máy móc, thiết bị và cảm biến.

Với các thành phần đã nói ở trên, ba nguyên tắc sẽ hoạt động với EdgeIO:

• Sự cởi mở: Thu thập dữ liệu từ các máy được nối mạng, tương tự và độc quyền bằng cảm biến và máy ảnh. Hỗ trợ các giao thức phổ biến và cung cấp giao diện trực quan để nhắc con người bổ sung dữ liệu.

• Nhanh nhẹn và tự phục vụ: Trao quyền cho các kỹ sư gần với hoạt động nhất để thêm thiết bị và thực hiện các thay đổi mà không yêu cầu mã hóa hoặc kiến ​​thức chuyên môn. Thiết bị Tulip Edge tiết kiệm chi phí, dễ cài đặt và có thể được sử dụng cho nhiều trường hợp sử dụng.

• Tích hợp và kết nối: Tạo quy trình làm việc trực quan, được sắp xếp hợp lý để tự động thu thập dữ liệu và đưa ra hướng dẫn theo thời gian thực. Tulip có thể được tích hợp với các hệ thống khác, kết nối với API HTTP, cơ sở dữ liệu SQL và máy chủ OPC UA.

Với những cảm biến này, các nền tảng hoạt động tuyến đầu như Tulip có thể cực kỳ hữu ích. Tulip cung cấp EdgeIO, một thiết bị kết nối dễ dàng kết nối với các cảm biến này. Thiết bị EdgeIO có thể chạy Node-RED, một công cụ phát triển dựa trên luồng để kết nối các thiết bị phần cứng, API và dịch vụ trực tuyến trong lĩnh vực IoT. Node-RED cung cấp trình chỉnh sửa luồng dựa trên trình duyệt web, cho phép người dùng tạo các hàm JavaScript. Bằng cách sử dụng Node-RED, các cảm biến và thiết bị EdgeIO, chúng tôi có thể thu thập dữ liệu chuỗi thời gian liên tục, theo thời gian thực. Dữ liệu này từ máy có thể được lưu trữ trong bảng Tulip và được sử dụng để huấn luyện mô hình máy học. Và chúng ta có thể làm điều này mà không cần viết một dòng mã nào.