TESTBED PRO PRŮMYSL 4.0

Využití 5G sítě na konkrétním průmyslovém demonstrátoru

Autor: Pavel Burget, vedoucí Testbedu pro Průmysl 4.0

Eva Doležalová, PR & Marketing Manager, RICAIP

 

Privátní kampusová 5G síť pro Průmysl 4.0 v CIIRC ČVUT

Kompletní architektura 5G SA kampusové sítě, první svého druhu v České republice, byla v Testbedu pro Průmysl 4.0 zprovozněna díky intenzivní spolupráci s T-Mobile, který ji postavil na nové technologii od společnosti Ericsson. Za poslední dva roky se podařilo vyvinout a otestovat řadu aplikací, které vyžadují vysokou rychlost, nízkou latenci a připojení IoT zařízení. Tyto aplikace potvrdily vhodnost 5G sítě pro řešení úloh v průmyslovém prostředí i schopnost sítě neustále dodržovat nasmlouvanou kvalitu služeb.

Architektura sítě je vytvořená tak, že rádiová část připojuje koncová zařízení prostřednictvím 5G komunikace k řídicímu prvku sítě, tzv. 5G core, ke kterému je už prostřednictvím pevného připojení přímo napojen síťový segment pro aplikační servery. Díky tomu lze na příslušném aplikačním serveru provozovat aplikace bez dodatečného zpoždění způsobeného například routováním v rozsáhlejších sítích.

Pětiosý delta robot s dopravníkem

V Testbedu pro Průmysl 4.0 je nainstalovaný pětiosý delta robot s lineárním dopravníkem pro přepravu paletek. Je příkladem víceosého polohovacího systému se synchronizovanými osami pohybu. Všechny osy jsou řízeny polohově se zpětnou vazbou z absolutních víceotáčkových enkodérů, přičemž interpolace polohy koncového bodu robota probíhá v řídicím PLC. Tato konfigurace poskytuje plnou kontrolu nad procesy prováděnými robotem, ať už se týkají inverzní kinematiky, inverzní dynamiky robota nebo možnosti spouštět simulační model robota, tzv. digitální dvojče, přímo v PLC. Je tak možné detekovat případné odchylky od očekávaného chování pomocí algoritmů strojového učení, nebo „jen“ sbírat data o provozu a podrobit je důkladnější následné analýze.

Robot je také vybaven rukojetí pro tzv. ruční navádění, díky němuž může operátor ve výukovém režimu robotovi předvést požadované pohyby naváděním pomocí ručního ovladače, Robot se tak učí trajektorie, které se mají provádět při běžných operacích.

Prostřednicvím kampusové 5G SA sítě se robot připojuje k aplikačnímu serveru (edge server), a tak dokáže využívat jeho vysoký výpočetní výkon pro aplikace s nasazením neuronových sítí, počítačového vidění a další funkcionalit. Není tedy nutné použít výkonný průmyslový počítač v prostoru robota s připojenou kamerou, ale stačí levný jednodeskový počítač jako např. rPi, který zprostředkovává připojení standardní kamery do 5G sítě a přenos výsledků analýzy obrazu ze serveru do aplikace. Takový počítač je integrován v rukojeti pro ruční navádění a díky výše uvedené analýze obrazu pomáhá při ručním navádění s lokalizací cílového předmětu a tzv. „přichycením“ koncového efektoru robota na místo, kde se předmět nachází. Použití levné kamery je možné mimo jiné díky tomu, že je součástí rukojeti pro ruční navádění, která se pohybuje spolu s koncovým efektorem robota a kvalita obrazu je tak dostatečná. Například při nedostatečné ostrosti je možné umístit kameru do vhodné vzdálenosti, aby byla v rozsahu dostupné hloubky ostrosti. V ukázkové aplikaci jsou těmito předměty pneumatiky a disky kol zmenšeného modelového auta.

Tento koncept potvrzuje, že díky 5G síti lze přenést výpočetní výkon od technologického procesu na server, který je bezpečně uložený v IT serverovně, což ve výsledku zlevňuje celé nasazení. Samotná funkce je dána funkcí aplikace běžící na serveru, což nabízí široké možnosti pro správu i aktualizaci aplikací v jediném místě. Stejně tak se díky tomu zlevňují koncová zařízení, tedy kamery, které nepotřebují výpočetní jednotku, aby prováděly složité výpočty, ale mohou využít vysoký výpočetní výkon serveru.

Kontrola kvality smontovaných kol a trénování neuronové sítě

Díky lokalizaci disků a pneumatik lze také provádět automatickou montáž kol bez nutnosti zásahu operátora. Další úlohou, kterou následně delta robot řeší, je kontrola správně smontovaného kola na paletce dopravníku a detekce jakéhokoli typu vady vzniklé během montáže.

Pro správné chování neuronové sítě je třeba tuto síť natrénovat. Tento proces často probíhá pomocí ručního anotování obrázků popisujících jednotlivé situace, například špatně nebo dobře nasazené kolo. Proces vytváření anotací pro úlohu detekce objektů je zdlouhavý a časově náročný, protože je nutné mít k dispozici poměrně velké množství dat v databázi, aby bylo možné robota správně natrénovat a data dobře zobecňovat. Proto jsme navrhli algoritmus pro generování syntetické sady dat. Tento přístup umožňuje získat téměř neomezený počet anotovaných obrázků s vysokou rozmanitostí a náhodností.

Klíčová myšlenka je jednoduchá: vyfotografovat pozadí, pořídit snímky objektů z různých úhlů pohledu, vybrat náhodné souřadnice v rámci pozadí a umístit objekty. Parametry ohraničujícího rámečku je možné snadno získat ze známých souřadnic a rozměrů obrazu objektu.

Navržená implementace řeší případy, kdy je objektů málo, jsou velmi blízko sebe, ale také řeší změny perspektivy, když jsou objekty na jednom místě. Je možné zohlednit různé vzdálenosti od kamery a velkou rozmanitost umístění díky náhodnému vzorkování souřadnic. Je možné vygenerovat až 100 tisíc snímků během jednoho dne a zpracovávat proud dat rychlostí 15 snímků za sekundu v reálném čase.

Datová sada pro tuto úlohu byla vytvořena ruční montáží kol a simulací různých negativních příkladů. Celkem bylo použito 250 obrázků negativní třídy a 50 obrázků pozitivní třídy. Takový počet příkladů je poměrně nízký, aby bylo možné úspěšně natrénovat model konvoluční neuronové sítě (CNN). Pro účely lepšího zobecnění jsme tedy použili techniky rozšiřování dat, jako je vertikální/horizontální převrácení, rotace, změny jasu, šum kamery atd. Žádné další regularizační techniky se v našem procesu trénování nepoužívají. Tato úloha má nevyvážené rozložení vzorků do jednotlivých tříd, protože existuje mnohem více možných variant negativních příkladů než pozitivních. Pro řešení tohoto problému byla použita technika převzorkování, kdy se jedna třída rozšíří více než druhá a vážená ztrátová funkce, kdy je jedné třídě dána větší váha než jiné třídě.

Celkový počet trénovatelných parametrů je přibližně 5,5 milionu. Model je natrénován na 100 tisících obrázků, 15 tisíc obrázků je použito pro validaci a 15 tisíc obrázků je v testovací sadě.

Algoritmus kontroly kvality opět běží na aplikačním edge serveru, ale využívá jinou kameru, než která je umístěna v rukojeti pro ruční ovládání, v tomto případě průmyslovou kameru s kvalitním objektivem. Tím se vracíme k původní myšlence, že na jednom aplikačním serveru běží několik aplikací s různými kamerami umístěnými na vhodných místech průmyslového procesu. Je tak decentralizováno snímání obrazu, ale díky robustnímu přenosu přes 5G SA síť s definovanou a garantovanou kvalitou služeb lze centralizovat výpočet do jednoho místa, resp. serveru.

Do budoucna počítáme s dalším rozšířováním funkcí delta robota, například analýzou průběhů síly a momentu ze silového senzoru umístěného na koncovém efektoru robota za účelem přímého řízení kvality montáže pneumatik, přičemž příslušné algoritmy pro analýzu průběhu a regulační zásah do procesu montáže by probíhaly opět na aplikačním edge serveru.