Un valido esempio del modo in cui con l’edge analytics si può automatizzare la produzione ce lo fornisce lo stabilimento di Foxconn di Kutna Hora, in Repubblica Ceca, dove HPE sta implementando il controllo video della qualità basato su machine learning sulle linee di produzione dei server.
La premessa è che produttori di dispositivi IT incrementano il numero di varianti dei loro prodotti o ne propongono di appositamente configurati per rispondere alle esigenze dei singoli clienti.
Questo può creare vantaggio competitivo, anche se comporta il prezzo di dover accrescere complessità e costi lungo tutti i passaggi del processo produttivo, dalla progettazione alla pianificazione e dalla produzione fino all’assistenza.
Il concetto della customizzazione di massa deve liberarsi da questo compromesso, raggiungendo nella produzione di una sola unità il medesimo livello di automazione tipico della produzione di massa dei beni standardizzati.
Questo richiede un’automazione estremamente agile in grado di reagire istantaneamente ai cambiamenti apportati nel sistema di pianificazione e nell’ambiente di produzione.
Perché edge
Elemento chiave dell’automazione agile è il machine learning. Per implementarlo servono soluzioni smart che prendono in considerazione le specificità del singolo processo di produzione e occorre che il produttore implementi una infrastruttura edge per trasformare i flussi di dati in intelligence e azioni. Secondo Gartner, infatti, entro il 2022 il 75% dei dati generati dalle aziende sarà creato ed elaborato al di fuori del cloud o dei data center centralizzati tradizionali, una quota che nel 2018 si è fermata a meno del 10%.
La complessità nella produzione di sistemi IT
La produzione di sistemi IT è particolarmente sensibile al compromesso della complessità. Una ragione la si trova nel numero di potenziali varianti di uno stesso prodotto.
Per esempio, un particolare modello di server può essere teoricamente equipaggiato con una quantità di moduli di memoria variabile da due a sedici, ciascuno dei quali può essere a sua volta di 16, 32, 64 o 128 gigabyte di capacità.
Solamente le opzioni di memoria possono introdurre diverse centinaia di varianti, le quali a loro volta devono essere moltiplicate per il numero di opzioni relative a processori, ventole di raffreddamento, hard disk e così.
Oltretutto il settore IT è noto per il rapido ritmo dell’innovazione con cicli ravvicinati di refresh dei prodotti e di conseguenza aggiornamenti frequenti, il che non fa altro che aumentare ulteriormente la variabilità dell’ambiente di produzione.
Il controllo della qualità di prodotti del genere non richiede solamente di determinare il numero e la collocazione dei componenti di sistema, ma anche la loro corretta implementazione, come per esempio un cavo che deve essere collegato alla porta corretta, ma deve anche essere inserito in modo appropriato, e qualsiasi altro difetto come eventuali graffi sulla superficie dello chassis del server.
Considerando queste circostanze è chiaro che un operatore umano può aver bisogno di minuti per effettuare un controllo appropriato sulla qualità di un sistema IT complesso.
Per un fabbricante come Foxconn, dai cui stabilimenti escono ogni giorno decine o centinaia di migliaia di dispositivi IT, si tratta di un costo sensibile.
Video analytics su machine learning
Una soluzione a questo problema è quella di implementare la video analytics capace di automatizzare il processo di controllo qualità: le videocamere acquisiscono immagini in alta risoluzione dei prodotti sul nastro trasportatore inviandole quindi al sistema IT integrato o collegato, dove vengono analizzate da un’applicazione di video analytics che usa algoritmi di machine learning.
Gli algoritmi confrontano l’immagine del prodotto effettivo con immagini di riferimento che mostrano le implementazioni corrette e quelle difettose.
In questo modo la macchina apprende quando un cavo risulta correttamente collegato a una porta, quando un modulo di memoria è correttamente inserito nel suo socket, o quando lo chassis presenta dei graffi.
Tutto facile? No, la varietà dei prodotti è una sfida anche per la video analytics basata su machine learning: per insegnare all’applicazione come rilevare i difetti di configurazione o implementazione e qualsiasi eventuale altro danno al prodotto possono occorrere diverse migliaia di immagini di riferimento che l’applicazione possa confrontare con l’immagine del prodotto effettivo presa sul nastro trasportatore.
Ciò comporta due svantaggi.
Per prima cosa possono servire intere settimane per addestrare gli algoritmi di machine learning a rilevare i difetti in modo preciso e affidabile. In secondo luogo questo approccio non è flessibile poiché richiede un nuovo ciclo di addestramento per ogni nuova configurazione, ogni nuovo refresh di prodotto e ogni aggiornamento.
La soluzione: smart audit e HPE Pointnext
Insieme con Relimetrics, una società specializzata nello smart audit della qualità per l’Industria 4.0, HPE Pointnext ha implementato una soluzione capace di risolvere questi problemi.
Un elemento essenziale allo scopo è quello di disaggregare le immagini dei prodotti.
La soluzione non memorizza immagini di riferimento dei server HPE completi, per esempio, bensì dei singoli componenti come i moduli di memoria inseriti nei relativi slot, il socket del processore completo della sua ventola, l’hard disk e così via.
Per ogni prodotto che transita sul nastro trasportatore, il sistema MES (Manufacturing Execution System) fornisce all’applicazione analitica la relativa distinta base permettendo di assemblare le varie componenti visuali di riferimento per creare un’immagine di riferimento complessiva.
Questo approccio ha due effetti essenziali. Innanzitutto l’apprendimento aggregato degli algoritmi di machine learning risulta molto più veloce ed efficiente dal momento che le componenti visuali di riferimento vengono riutilizzate di frequente.
Nello stabilimento Foxconn di Kutna Hora, HPE Pointnext ha potuto addestrare il modello di machine learning su un nuovo tipo di server con circa 1.000 varianti di configurazione in soli due giorni, automatizzando completamente il processo di rilevamento dei difetti. In secondo luogo, questo approccio consente la massima flessibilità combinando i componenti visuali secondo l’effettiva configurazione del prodotto così come ricavata dalla distinta base.
Edge analytics e gestione della qualità
Quando si ricorre alle tecniche di machine learning per gestire un processo di produzione come il controllo della qualità bisogna risolvere un’altra sfida legata al volume dei dati prodotti dalle videocamere.
L’implementazione sulla linea di produzione dei server nello stabilimento Foxconn di Kutna Hora, per esempio, impiega dieci videocamere per ciascun nastro trasportatore per acquisire immagini dettagliate di ogni elemento di un server. Queste videocamere generano 3 gigabyte di dati visivi all’ora.
La trasmissione rapida di questi dati ai sistemi di video analytics basati su machine learning è essenziale per gli stabilimenti che devono tenere un ritmo di produzione elevato.
Sarebbe poco pratico trasferire questi dati attraverso reti interne o esterne per assegnarne l’elaborazione a server remoti, poiché la latenza sarebbe troppo alta, le reti risulterebbero sovraccaricate dai volumi di dati in gioco, e i sistemi di produzione si fermerebbero in caso di interruzioni dei collegamenti di rete.
Per questo motivo HPE Pointnext implementa la soluzione di video analytics basata su machine learning avvalendosi di unità HPE Converged Edge Systems, macchine robuste e compatte che mettono capacità IT di livello enterprise a disposizione degli ambienti edge, ovvero in prossimità delle fonti dei dati.
Questi sistemi sono progettati apposita per gli ambienti industriali e integrano elementi OT (Operational Technology) come sistemi di acquisizione dati, sistemi di controllo e reti industriali per consentire la comunicazione deterministica bidirezionale e il controllo di sistemi OT come videocamere, macchinari di produzione o nastri trasportatori.
Con la soluzione HPE Pointnext, il flusso costante di riprese delle videocamere viene inizialmente preprocessato sulle unità HPE Converged Edge System installate in prossimità del nastro trasportatore per estrarre le immagini dei prodotti, e successivamente i dati vengono analizzati in tempo reale mediante algoritmi di machine learning per rilevare eventuali difetti. Solamente una porzione delle immagini analizzate viene trasferita via rete per essere archiviata a scopo di tracciabilità e conformità.
