边缘计算:智能制造的“带刀侍卫”

互联网大厂单双周假期变更能上热搜 , 但很多更繁重的工作却乏人关注 。 电子设备的质检工 , 通常每天要完成1万多个零件的人眼检测 , 平均每分钟检测十几个产品 , 连续工作超10个小时并不鲜见 。
边缘计算:智能制造的“带刀侍卫”
文章图片
高负荷导致工人精力跟不上 , 出现漏检、错检在所难免 。 如何缓解质检工的工作压力、提升制造企业的产品品质 , 成为亟待解决的难题 。
浪潮携手思谋科技 , 基于深度学习算法打造边缘工业智能质检解决方案 , 通过实时读取质检图片 , 对瑕疵产品进行推理、定位 , 即时给出缺陷类型、大小和处理建议 。 同时 , 这些数据还会反馈到云端 , 进一步优化AI质检模型算法 。
边缘计算:智能制造的“带刀侍卫”
文章图片
据《IT创事记》了解 , 这一解决方案已应用于钢铁、3C电子、汽车等行业的智能工厂 , 缺陷检出率从原来的90%提升到99% , 不放过每一个缺陷 , 过检率≤3% , 不会造成大量的“错杀” , 同时日均处理产品件数大幅提升 , 对产品品质控制和生产效率优化助益显著 。
边缘计算在智能制造中的角色 , 类似于古时的御前带刀侍卫 。 巡逻、查夜、看守库房是带刀侍卫的日常职责 , 危急时刻作为“人肉盾牌”保护圣驾更是责无旁贷;边缘计算就像智能制造的贴身侍卫 , 用火眼金睛发现问题、监控环境 , 以顺风耳实现与云端的协同 , 遇到突发状况也会挺身而出 , 为智能制造的平稳运行保驾护航 。
智能制造面临多元挑战
基于中商产业研究院的数据 , 2020年中国智能制造装备产值规模达20900亿元 。 制造业景气度整体维持在高位 , 为智能制造的快速发展奠定了坚实基础 。
与欧美发达国家相比 , 我国智能制造还有相当大的发展空间 。 亿欧智库的调研显示:当前90%的制造业企业配有自动生产线 , 但仅有40%实现数字化管理 , 5%打通工厂数据 , 1%使用智能化技术 。 预计到2025年 , 数字化、网络化、智能化制造企业占比将分别达到70%、30%、10% 。
智能制造的未来是星辰大海 , 但脚下的路却并不平坦 。
首先要面临复杂多元算力的挑战 。 伴随深度学习不断发展 , 分类算法AlexNet分析224×224大小的图像需要720FLOPS , 使用工控机处理需要1秒左右;而实际生产中常使用的ResNet50视频处理的计算量是AlexNet的数十倍 , 复杂度越来越高 , 算力结构性缺口日益凸显 。
其次是巨量数据贯通的障碍 。 从2015年迄今 , 国内机器人装机量从25万台猛增到100万台 , 数控机床、PLC的市场规模从1400亿增长到2000多亿 , 系统平台从以人为核心的ERP、CRM扩展到以物为核心的IIOT、MES、PLM等 。 智能化装备、各类生产线以及跨领域系统平台的巨量涌现 , 让工厂的数据量呈指数级增长 , 海量数据的贯通和深度挖掘计算成为难题 。
此外 , 高并发实时处理的需求激增也带来困扰 。 智能制造过程广泛使用装配机器人 , 对智能机器人的目标识别、轨迹规划的计算实时性、复杂性提出了更高要求 。 工业现场单个摄像头每天会产生约330G的视频数据 , 完全传输至云端不仅占用带宽 , 亦难以满足实时性(毫秒级)的业务需求 。
边缘计算生逢其时
应对智能制造面临的多元挑战 , 需要系统性的解决方案 , 而边缘计算也许是分量最重的利器 。
边缘计算:智能制造的“带刀侍卫”
文章图片
浪潮边缘计算产品
国际知名调研机构IDC将企业数字化成熟度划分为入门者、探索者、组织者、转型者、颠覆者5个阶段 , 目前中国制造企业数字化转型总体处在中间阶段 , 第四、五阶段的占比很低 。 人工智能、物联网等技术在制造行业应用落地过程中 , 企业迫切需要边缘侧强大的算力支持智能制造发展 , 而这正是国内市场最明显的短板 。