焊接和3D打印等積層製造程序。這些程序對溫度、生產線速度、機器佈置，以及材料多樣性等因素極為敏感。當參數分離規格時，可能很快就會產生無法使用的零件。
標準的檢驗系統可能可以捕捉錯誤的零件，但無法找到異常的原因。此時便需要人力介入，只有在檢驗系統放棄了的零件後，才能調整製造過程。正常的，深度學習檢驗系統可提供有關問題本質上的更深入的洞見。
請想像一個金屬積層製造程序。標準的檢驗系統只能評估成品的成品，進行簡單的接受或拒絕決定。相反的，深度學習系統可監控製造程序本身，持續評估金屬流向的一致性。這可在問題發生時提供進行修改的機會，挽救可能故障的零件。
在較傳統的製造生產線上，深度學習系統可做出指示PLC降低生產線速度，或提高生產流程溫度等調整。這種持續的調整可大幅減少遭到捨棄的零件數量。
自編系統所需的工作也是一個問題。除了建造客製化硬件的基本組件之外，工程師還需要將設計整合至控制迴圈內。考慮到控制工業設備的PLC的專業性，這可能會帶來前所未見的挑戰。
SIMATIC S7-1500 TM NPU 是一款 PLC 延伸模組，以 Intel ® Movidius ™ Myriad ™ X 視覺處理器(VPU) 為基礎。專為符合電源實現的AI 所設計，此Intel 技術可讓模組處理來自多台一個攝影機流的最多720組立體像對，且只需要使用被動冷卻，以近乎即時的速度運行電腦螢幕，消耗消耗電量或精確度。解析度比其他VGA平台解析度高3倍，且比30 Hz 的平台高6 倍。
模組會處理一些音訊或震動等非視覺數據，將分析結果透過底板傳送至PLC。接著PLC會執行控制演算法，以分析資料做為輸入值，並調整控制流程。
圖1 展示產線在取放托盤夾具中運用此系統的範例。生產物品進入上游的管道帶。上方LED照明設備點亮此物品。安裝在平台上的攝影機獲取影像，將其傳輸至PLC延伸連接模組。接著，PLC引導機器手臂轉動物體，並到右邊的管道帶。
圖1.西門子系統在取放貨架等多種使用案例上表現優異。（資料來源：Siemens）
透過用於抓取的AI模組，模組會在微秒內計算數百個抓取點，並選擇最適合特定該物體的資訊抓取位置。其隨後的視角傳輸到控制機器手臂的PLC上，以最佳方法獲取物件— 可使用PLC SIMATIC S7-1500 系列等專用硬件，或裝載於電腦之備用額外應用程式提供Windows 分割區的SIMATIC ET 200SP Open Controller v2。
備註：此示範將於2019年4月1日至5日在漢諾威工業博覽會展示。想參觀的話，請前往展廳9，攤位編號D35造訪西門子攤位。
這樣的自動化可以節省大量的人力。「 比如說，在斯托克分離的製造生產線上有很多的手動程序，比如仰賴肉眼進行的品管，或者PCB製造上的通孔插裝技術等混合安裝零件，”Dietrich 說：“這些使用案例可突破AI 增加自動化程度，以改善品質及/或產量。”
除了透過機器臂舉起起動裝置以外，PLC 還可以直接引導其他類型的工廠裝置，例如前面提到的焊接設備或CNC 機器工具等。事實上，系統甚至不是在紐約方面啟動的。「主要的使用案例”對於視頻，但也可用於進行其他事情，”迪特里希表示：“這開放了一系列不同的使用案例可能性，例如振動，甚至是聲音分析等，以進行預測性維護。”
透過使用Caffe 或Tensorflow 等最受歡迎的AI 架構開發深度學習模型開始，可在之後進行優化，並隨後SD 卡配置小型的應用程式部署至模組中。一般來說，您可以使用現有的免費的DL模型開始著手，並利用可用的製造資料訓練重新將其調整成配合您的特定使用案例。隨後，將模組配置到西門子工程架構TIA Portal中，以導入並運用來自PLC模式中TM NPU模組的資料。
不久的未來的計劃是能夠提供人工智慧工作台，以簡化建立、部署和實現工業人工智慧解決方案的程序，讓它們不再只能由人工智慧專家使用，而是讓所有自動化工程師都能運用。
標準的檢驗系統可能可以捕捉錯誤的零件，但無法找到異常的原因。此時便需要人力介入，只有在檢驗系統放棄了的零件後，才能調整製造過程。正常的，深度學習檢驗系統可提供有關問題本質上的更深入的洞見。
請想像一個金屬積層製造程序。標準的檢驗系統只能評估成品的成品，進行簡單的接受或拒絕決定。相反的，深度學習系統可監控製造程序本身，持續評估金屬流向的一致性。這可在問題發生時提供進行修改的機會，挽救可能故障的零件。
在較傳統的製造生產線上，深度學習系統可做出指示PLC降低生產線速度，或提高生產流程溫度等調整。這種持續的調整可大幅減少遭到捨棄的零件數量。
部署挑戰
對開發者來說，找到部署機器視覺的方法是一個挑戰。有一個常見的方法以圖形處理器（GPU）為基礎來打造客製化硬體。雖然這種方法可以提供所需的流程，但GPU通常無法滿足工業工業對可靠性的要求。電源也是一個問題，因為GPU會越運轉越熱，需要冷卻風扇，這不太適合嚴格要求的工業環境。自編系統所需的工作也是一個問題。除了建造客製化硬件的基本組件之外，工程師還需要將設計整合至控制迴圈內。考慮到控制工業設備的PLC的專業性，這可能會帶來前所未見的挑戰。
更簡單的人工智慧整合
針對這些問題，SIEMENS AG與Intel®合作，為西門子SIMATIC S7系列的PLC開發全新的深度學習模組。「使用此模組，人們只要增加用於推斷的AI延伸解決模組，就能擴增現有PLC系統的控制機器，」Intel技術客戶經理Thomas Dietrich表示：「如果您已經安裝了SIMATIC S7-1500控制器，那麼這將是一個非常簡單的附加元件。只需插入AI延伸模組與攝影機或非窗口感應器中，即完成硬體設定。」SIMATIC S7-1500 TM NPU 是一款 PLC 延伸模組，以 Intel ® Movidius ™ Myriad ™ X 視覺處理器(VPU) 為基礎。專為符合電源實現的AI 所設計，此Intel 技術可讓模組處理來自多台一個攝影機流的最多720組立體像對，且只需要使用被動冷卻，以近乎即時的速度運行電腦螢幕，消耗消耗電量或精確度。解析度比其他VGA平台解析度高3倍，且比30 Hz 的平台高6 倍。
模組會處理一些音訊或震動等非視覺數據，將分析結果透過底板傳送至PLC。接著PLC會執行控制演算法，以分析資料做為輸入值，並調整控制流程。
圖1 展示產線在取放托盤夾具中運用此系統的範例。生產物品進入上游的管道帶。上方LED照明設備點亮此物品。安裝在平台上的攝影機獲取影像，將其傳輸至PLC延伸連接模組。接著，PLC引導機器手臂轉動物體，並到右邊的管道帶。
圖1.西門子系統在取放貨架等多種使用案例上表現優異。（資料來源：Siemens）
透過用於抓取的AI模組，模組會在微秒內計算數百個抓取點，並選擇最適合特定該物體的資訊抓取位置。其隨後的視角傳輸到控制機器手臂的PLC上，以最佳方法獲取物件— 可使用PLC SIMATIC S7-1500 系列等專用硬件，或裝載於電腦之備用額外應用程式提供Windows 分割區的SIMATIC ET 200SP Open Controller v2。
備註：此示範將於2019年4月1日至5日在漢諾威工業博覽會展示。想參觀的話，請前往展廳9，攤位編號D35造訪西門子攤位。
這樣的自動化可以節省大量的人力。「 比如說，在斯托克分離的製造生產線上有很多的手動程序，比如仰賴肉眼進行的品管，或者PCB製造上的通孔插裝技術等混合安裝零件，”Dietrich 說：“這些使用案例可突破AI 增加自動化程度，以改善品質及/或產量。”
除了透過機器臂舉起起動裝置以外，PLC 還可以直接引導其他類型的工廠裝置，例如前面提到的焊接設備或CNC 機器工具等。事實上，系統甚至不是在紐約方面啟動的。「主要的使用案例”對於視頻，但也可用於進行其他事情，”迪特里希表示：“這開放了一系列不同的使用案例可能性，例如振動，甚至是聲音分析等，以進行預測性維護。”
製作AI模型
當然，你除非建立了深度學習模型，否則這些優異的硬體都無法發揮作用。再次，英特爾和西門子合作解決了這個問題，整合他們的工具鏈，打造了端對端的解決方案。透過使用Caffe 或Tensorflow 等最受歡迎的AI 架構開發深度學習模型開始，可在之後進行優化，並隨後SD 卡配置小型的應用程式部署至模組中。一般來說，您可以使用現有的免費的DL模型開始著手，並利用可用的製造資料訓練重新將其調整成配合您的特定使用案例。隨後，將模組配置到西門子工程架構TIA Portal中，以導入並運用來自PLC模式中TM NPU模組的資料。
不久的未來的計劃是能夠提供人工智慧工作台，以簡化建立、部署和實現工業人工智慧解決方案的程序，讓它們不再只能由人工智慧專家使用，而是讓所有自動化工程師都能運用。
TIA Portal V17 
