Jak automatizace, strojové učení a blockchain určují budoucnost výroby elektroniky

Průmysl 4.0 se opírá o inteligentní automatizaci výroby elektroniky. Stále schopnější automatizace je všude, od koncových zařízení až po cloud, v senzorech, robotech a kobotech, programovatelných logických automatech (PLC) a dalších zařízeních. Na inteligentní automatizaci závisí výroba polovodičových destiček, integrovaných obvodů, pasivních součástek, obalů a elektronických systémů pro spotřebitele, ekologickou energetiku, automobilový průmysl, zdravotnictví, průmysl, vojenský a letecký průmysl a další aplikace. Jednotné výrobní informační systémy (MES) zajišťují monitorování, řízení, sledování a dokumentaci celého výrobního řetězce v reálném čase, a to od surovin až po hotové výrobky.

Kyberneticko-fyzické automatizované systémy v Průmyslu 4.0 přesahují tradiční výrobní činnosti a spoléhají na různé formy strojového učení (ML), od hlubokého zpětnovazebního učení v cloudu až po tinyML v koncových zařízeních pro flexibilní výrobu, neustálé zlepšování a trvale vysokou kvalitu. Počet vrstev konektivity roste a kombinace edge computingu, průmyslového internetu věcí (IIoT) a cloud computingu zvyšuje výzvy spojené s kybernetickou bezpečností. Blockchain nedávno vstoupil do hry o komplexní a zabezpečené řízení dodavatelského řetězce.

Tento článek se zabývá klíčovými trendy automatizace ve výrobě elektroniky, včetně zvyšování vrstev konektivity, rostoucí potřeby kybernetické bezpečnosti, nasazovaných specializovaných implementací ML a způsobu, jakým sledovatelnost a MES podporují výrobní metriky a analýzy v reálném čase. Současně jsou přezkoumány některé technologie potřebné k uskutečnění příslibu masové kastomizace s vysokou kvalitou a nízkými náklady díky Průmyslu 4.0, včetně toho, jak DigiKey podporuje potřeby konstruktérů automatizačních systémů širokou škálou svých řešení. Na závěr se podíváme na to, jak se blockchain používá k zavádění vysoce bezpečných celopodnikových systémů řízení dodavatelského řetězce.

Zvyšování vrstev konektivity

IIoT v Průmyslu 4.0 zahrnuje více vrstev kabelových a bezdrátových sítí pro senzorové sítě, autonomní mobilní roboty (AMR) a další systémy. Například technologie IO-Link byla vyvinuta s cílem poskytnout zjednodušené kabelové síťové připojení pro obrovské množství senzorů, akčních členů, indikátorů a dalších dříve nepřipojených starších okrajových zařízení k sítím vyšší úrovně, jako jsou Ethernet IP, Modbus TCP/IP a PROFINET. Pomocí technologie IO-Link jsou vstupy a výstupy (IO) těchto zařízení zachyceny a převedeny na protokol IO-Link pro sériové připojení definovaný v normě IEC 61131-9 pomocí jediného čtyř- nebo pětivodičového nestíněného kabelu definovaného v normě IEC 60974-5-2 (obrázek 1). Kromě toho, že IO-Link poskytuje novou síťovou vrstvu pro zachycení podrobnějších informací o výrobních procesech, podporuje rychlé nasazení a vzdálenou konfiguraci, monitorování a diagnostiku připojených zařízení pro podporu změn linek a procesů potřebných pro masovou kastomizaci v továrnách využívajících Průmysl 4.0.

Obrázek 1: IO-Link lze použít k připojení senzorů a dalších zařízení pomocí různých rozhraní k sítím Ethernet, PROFINET nebo Modbus. (Zdroj obrázku: Banner Engineering)

Bezdrátová zařízení IIoT, odsenzorů po roboty, také přispívají ke zvyšování počtu síťových vrstev. V moderních továrnách se používají různé bezdrátové protokoly, včetně Wi-Fi, 5G, LTE a dalších. Například zařízení AMR ke zkoumání svého okolí, zjišťování možných překážek a bezpečnému a efektivnímu pohybu z místa na místo využívají kombinaci palubních senzorů a připojení Wi-Fi. Kolaborativní roboti (koboti) jsou navrženi tak, aby spolupracovali s lidmi a zlepšili tak efektivitu provozu, a často vyžadují bezdrátové připojení. V některých případech AMR podle potřeby přesouvají koboty z jednoho úkolu na druhý (obrázek 2).

Obrázek 2: AMR (dole) může přejíždět z místa na místo pomocí kombinace palubních senzorů a bezdrátového připojení a zvednout a přesunout prvek (nahoře) do nové pracovní stanice. (Zdroj obrázku: Omron)

Rostoucí ohrožení kybernetické bezpečnosti

Zvyšující se počet vrstev v průmyslových sítích spolu s prudkým nárůstem počtu připojených zařízení vedou k rostoucímu počtu zdrojů bezpečnostních hrozeb a zvyšujícímu se ohrožení kybernetické bezpečnosti. Bylo vyvinuto několik bezpečnostních norem a metodik specifických pro průmysl a internet věcí, včetně normy 62443 Mezinárodní elektrotechnické komise (IEC) a normy pro hodnocení bezpečnosti platformy internetu věcí (SESIP).

IEC 62443 představuje řadu norem vyvinutých výborem International Society of Automation (ISA) 99 a schválených komisí IEC. IEC 62443 je více než 800stránková řada norem pro průmyslovou automatizaci a řízení (IACS) se 14 dílčími částmi a čtyřmi úrovněmi (obrázek 3). Klíčové části, které definují vývoj výrobku a požadavky na zabezpečení komponent, jsou:

• IEC 62443-4-1: Požadavky na životní cyklus vývoje bezpečného výrobku – definuje bezpečný životní cyklus vývoje výrobku včetně počáteční definice požadavků, bezpečného návrhu a realizace, ověřování a validace, správy defektů a oprav a ukončení životnosti.
• IEC 62443-4-2: Bezpečnost pro systémy průmyslové automatizace a řízení: Požadavky technické bezpečnosti pro součásti IACS – specifikuje možnosti zabezpečení, které komponentě umožňují zmírnit hrozby pro danou úroveň zabezpečení.

Obrázek 3: IEC 62443 je komplexní sada norem pro zabezpečení systémů IACS. (Zdroj obrázku: IEC)

SESIP vydává organizace GlobalPlatform. Stanoví společnou strukturu pro hodnocení bezpečnosti připojených produktů a zabývá se otázkami dodržování předpisů, zabezpečení, ochrany údajů a škálovatelnosti, které jsou specifické pro IoT. SESIP poskytuje jednoznačné definice bezpečnostních funkcí komponent a platforem ve formě bezpečnostních funkčních požadavků (SFR). Poskytuje také metriky síly, které měří odolnost proti útokům ve formě „úrovní“ SESIP od 1 do 5, přičemž 1 znamená vlastní certifikaci a 5 odpovídá rozsáhlému testování a certifikaci třetí stranou.

ML od cloudu po koncová zařízení

ML je klíčovým prostředkem inteligentní automatizace, který podporuje neustálé zlepšování procesů a vysoce kvalitní produkty. Využití neuronových sítí je v Průmyslu 4.0 dobře zavedenou technikou ML. V cloudu se začíná s jejich doplňováním o hluboké zpětnovazební učení. Hluboké zpětnovazební učení dodává jádru neuronové sítě rámec cílově orientovaných algoritmů. Zpočátku se zpětnovazební učení omezovalo na opakovatelná prostředí, jako je hraní her; dnes mohou algoritmy pracovat v méně vymezených prostředích reálného světa. V budoucnu mohou pokročilé implementace zpětnovazebního učení dosáhnout obecné umělé inteligence.

ML není jen v cloudu; zasahuje do továrních hal až ke koncovým zařízením. Rozšiřující patice v průmyslových počítačích a programovatelných řídicích jednotkách v továrních halách stále častěji hostí urychlovací karty ML a AI pro inteligentní řízení procesů.

Technologie Tiny machine learning (tinyML) je optimalizována pro nasazení v aplikacích s nízkou spotřebou energie. tinyML se v senzorových aplikacích využívá stále častěji. Jedním z příkladů aplikace tinyML je analýza senzorů IIoT v okrajových zařízeních napájených z baterií nebo získáváním energie (energy harvesting). Arduino nabízí sadu Tiny Machine Learning Kit, která zahrnuje desku Arduino Nano 33 BLE Sense obsahující MCU a řadu senzorů, které umí monitorovat pohyb, zrychlení, rotaci, zvuky, gesta, blízkost, barvu, intenzitu světla a pohyb (obrázek 4). Součástí je také modul kamery OV7675 a štít Arduino. Vestavěná jednotka MCU může implementovat hluboké neuronové sítě založené na otevřeném systému hlubokého učení TensorFlow Lite pro inferenci přímo v zařízení.

Obrázek 4: Sada Tiny Machine Learning Kit od společnosti Arduino je určena pro vývoj aplikací senzorů IIoT. (Zdroj obrázku: DigiKey)

Metriky a analýzy v reálném čase

Metriky a analýzy v reálném čase jsou základními aspekty inteligentní automatizace. Sledovatelnost 4.0 kombinuje viditelnost výrobku, viditelnost dodavatelského řetězce a viditelnost jednotlivých položek z předchozích generací sledovatelnosti a poskytuje kompletní historii všech aspektů výrobku. Kromě toho zahrnuje všechny parametry strojů a procesů a podporuje metriky celkové efektivity zařízení (OEE), které optimalizují výrobní procesy (obrázek 5).

Obrázek 5: Sledovatelnost 4.0 je komplexní implementace, která podporuje různorodé požadavky operací Průmyslu 4.0. (Zdroj obrázku: Omron)

Sledovatelnost je důležitá v mnoha průmyslových odvětvích, od výroby zdravotnických prostředků až po automobilový a letecký průmysl. V případě zdravotnických prostředků vyžadují legislativní požadavky rozsáhlé sledování a sledovatelnost. Automobily a letecké systémy mohou mít desítky tisíc dílů, které je třeba sledovat. Nejde jen o historii dílů; sledovatelnost zahrnuje i sledování geometrického kótování a tolerancí (GD&T) jednotlivých dílů. GD&T umožňuje přesnou výrobu a montáž dílů na základě jejich přesných hodnot GD&T, což podporuje vysoce přesné sestavy pro odvětví, jako je letecký a automobilový průmysl.

Sledovatelnost může zvýšit přesnost a účinnost stahování výrobků z trhu. Umožňuje výrobci identifikovat všechny dotčené výrobky a dodavatele všech vadných součástí.

Nápravná a preventivní opatření lze pomocí sledovatelnosti urychlit. Stejně jako při stahování výrobků z trhu umožňuje znalost kompletního původu výrobků výrobcům efektivně zaměřit a naplánovat servisní a údržbové činnosti pro výrobky v terénu.

Sledovatelnost a MES

Jednotné implementace MES zahrnující sledovatelnost mohou vytvářet databázi s možností vyhledávání všech informací týkajících se jednotlivých výrobků, včetně plánovaných návrhů a skutečného provedení. Sledovatelnost se například používá ke sledování jednotlivých komponent a materiálů při jejich příchodu, včetně údajů o vstupních zkouškách kvality, umístění dodavatelského závodu atd. před zahájením výroby. MES tyto informace ověřuje na základě plánovaného návrhu a vkládá je do databází operací kompletace a výroby.

Údaje o sledovatelnosti dodávané sítí IIoT v kombinaci se systémem MES podporují masovou kastomizaci výrobků v rámci Průmyslu 4.0. MES umožňuje, aby správné materiály, procesy a další zdroje byly na správném místě a zajistily nejnižší výrobní náklady a nejvyšší kvalitu. Systém MES a sledovatelnost se mohou také spojit a prokázat soulad s legislativou a umožnit snadný přístup k datům auditorům nebo podle potřeby jiným osobám.

Blockchain

Blockchain je decentralizovaný nebo distribuovaný digitální účetní systém pro zaznamenávání transakcí mezi více stranami bezpečným a ověřitelným způsobem. Potenciální využití blockchainu je u všech transakcí, kde je důležitá důvěra, například při řízení dodavatelského řetězce. V dodavatelském řetězci s mnoha účastníky může blockchain zlepšit efektivitu transakcí a zajistit jejich ověřitelnost a odolnost proti neoprávněné manipulaci. Uvádíme dva příklady výhod využití blockchainu v činnostech dodavatelského řetězce:

Náhrada manuálních procesů. Pomocí blockchainu lze zlepšit procesy manuálního zpracování tištěné dokumentace, v nichž jsou nutné podpisy nebo jiné formy fyzického ověření. Omezení spočívá v tom, že množina účastníků v účetním systému musí být konečná a snadno identifikovatelná. Doručovací společnost s neustále se měnící databází neznámých zákazníků nemusí být vhodným kandidátem pro blockchain. Vhodným kandidátem je výrobní provoz s omezenou a pomalu se měnící skupinou důvěryhodných dodavatelů.

Posílení sledovatelnosti. Blockchain může být dobrým nástrojem pro zlepšení transparentnosti dodavatelského řetězce a splnění rostoucích požadavků na informace ze strany regulačních orgánů a spotřebitelů. Blockchain může například podpořit zákon o dodavatelském řetězci a bezpečnosti léčiv a nařízení amerického Úřadu pro kontrolu potravin a léčiv týkající se jedinečného identifikátoru prostředku. V automobilovém průmyslu a dalších odvětvích se mohou dodavatelé v celém dodavatelském řetězci podílet na implementaci stahování výrobků z trhu a blockchain může poskytnout dobrý nástroj pro implementaci směrnice o sledovatelnosti, kterou zveřejnila organizace Automotive Industry Action Group.

Shrnutí

Inteligentní automatizace, která je základem Průmyslu 4.0, se při své implementaci opírá o četné technologie, včetně rostoucího počtu síťových vrstev s kabelovým a bezdrátovým připojením, které vedou ke stále složitějším hrozbám pro kybernetickou bezpečnost. Kromě toho se do koncových zařízení až po cloud zavádí strojové učení, jež podporuje metriky a analýzy v reálném čase, včetně sledovatelnosti a jednotného systému MES. A konečně se zavádí technologie blockchain, která podporuje ověřitelné databáze odolné proti neoprávněné manipulaci.