Automaatio, koneoppiminen ja lohkoketju luovat elektroniikan valmistuksen tulevaisuuden

Kirjoittaja Jeff Shepard

Julkaisija DigiKeyn kirjoittajat Pohjois-Amerikassa

Teollisuus 4.0 perustuu elektroniikan valmistuksessa älykkääseen automaatioon. Yhä suorituskykyisempi automaatio on kaikkialla, reunalta pilveen, antureissa, roboteissa ja koboteissa, ohjelmoitavissa logiikkaohjaimissa (PLC) ja muissa laitteissa. Puolijohdekiekkojen, integroitujen piirien, passiivisten komponenttien, koteloiden ja kuluttajille suunnattujen elektroniikkajärjestelmien, vihreän energian, autojen, lääketieteen, teollisuuden, sotilas- ja avaruusalan sekä muiden alojen tuotanto riippuu älykkäästä automaatiosta. Yhtenäiset MES (Manufacturing Execution Systems) -järjestelmät mahdollistavat koko tuotantoketjun reaaliaikaisen valvonnan, ohjauksen, seurannan ja dokumentoinnin aina raaka-aineista valmiisiin tuotteisiin asti.

Teollisuus 4.0 -teknologian kyberfyysiset automaatiojärjestelmät ulottuvat perinteisiä valmistustehtäviä laajemmalle ja perustuvat erilaisiin koneoppimisen muotoihin. Niihin kuuluvat muun muassa syvävahvistusoppiminen pilvessä ja tinyML-koneoppiminen reunalla joustavan tuotannon, jatkuvan kehityksen ja tasaisen korkean laadun varmistamiseksi. Verkkokerrosten määrä kasvaa, ja reunalaskennan, esineiden teollisen internetin (IIoT) ja pilvilaskennan yhdistäminen lisää kyberturvallisuuteen liittyviä haasteita. Lohkoketju on tullut hiljattain kuvaan mukaan toimitusketjujen kattavaa ja turvallista hallintaa varten.

Tässä artikkelissa tarkastellaan elektroniikkavalmistuksen keskeisiä automaatiotrendejä, kuten verkkokerrosten lisääntymistä, kyberturvallisuuden kasvavaa tarvetta, käytettäviä koneoppimisen erikoistoteutuksia sekä sitä, miten jäljitettävyys ja MES-järjestelmät tukevat reaaliaikaisia tuotantomittareita ja analytiikkaa. Artikkelissa käsitellään joitakin välttämättömiä teknologioita, joiden avulla Teollisuus 4.0 -aloitteen lupaus korkealaatuisesta massaräätälöinnistä alhaisin kustannuksin voidaan toteuttaa täysimittaisesti. Lisäksi siinä kerrotaan, miten DigiKey tukee automaatiojärjestelmien suunnittelijoiden tarpeita laajalla ratkaisuvalikoimalla. Lopuksi artikkelissa luodaan katsaus siihen, miten lohkoketjuja käytetään erittäin turvallisten ja koko yrityksen kattavien toimitusketjujen hallintajärjestelmien toteuttamiseen.

Verkkokerrosten lisääntyminen

IIoT tarjoaa Teollisuus 4.0 -teknologialle lisää langallisia ja langattomia verkkokerroksia anturiverkoille, autonomisille mobiiliroboteille (AMR) ja muille järjestelmille. Esimerkiksi IO-Link on kehitetty, jotta valtavalle määrälle antureita, aktuaattoreita, ilmaisimia ja muita aiemmin verkkoon kytkemättömiä vanhoja reunalaitteita voitaisiin tarjota yksinkertaistettu langallinen verkkoyhteys korkeamman tason verkkoihin, kuten Ethernet IP, Modbus TCP/IP ja PROFINET. IO-Linkillä näiden laitteiden tulot ja lähdöt (IO) mitataan ja muunnetaan IEC 61131-9 -standardissa määritellyn IO-Link-sarjaliitäntäprotokollan mukaisiksi. Tämä mahdollistaa IEC 60974-5-2 -standardissa määritellyn yksittäisen 4- tai 5-säikeisen suojaamattoman kaapelin käytön (kuva 1). IO-Link tarjoaa uuden verkkokerroksen yksityiskohtaisempien tietojen keräämiseksi tehdasprosesseista sekä tukee verkotettujen laitteiden nopeaa käyttöönottoa ja etäkonfigurointia, -valvontaa ja -diagnostiikkaa. Näin voidaan tukea Teollisuus 4.0 -tehtaiden massaräätälöintiin tarvittavia tuotantolinja- ja prosessimuutoksia.

Kuva 1: Erilaisia rajapintoja käyttäviä antureita ja muita laitteita voidaan liittää IO-Linkillä Ethernet-, PROFINET- tai Modbus-verkkoihin. (Kuvan lähde: Banner Engineering)

Myös langattomat IIoT-laitteet antureista robotteihin edistävät verkkokerroksien kasvua. Moderneissa tehtaissa käytetään erilaisia langattomia protokollia, kuten Wi-Fi, 5G, LTE ja muita. Esimerkiksi AMR-robotit käyttävät integroitujen antureiden ja Wi-Fi-yhteyden yhdistelmää ympäristön ymmärtämiseen, mahdollisten esteiden tunnistukseen sekä turvalliseen ja tehokkaaseen liikkumiseen paikasta toiseen. Yhteistyörobotit (kobotit) on suunniteltu toimimaan ihmisten kanssa toimintatehokkuuden parantamiseksi, ja ne vaativat usein langatonta yhteyttä. Joissain tapauksissa AMR-robotit siirtävät kobotit tehtävästä toiseen tarpeen mukaan (kuva 2).

Kuva: AMR-robotti (alhaalla) voi navigoida paikasta toiseenKuva 2: AMR-robotti (alhaalla) voi navigoida paikasta toiseen käyttämällä integroituja antureita ja langatonta yhteyttä sekä noukkia ja siirtää kobotin (ylhäällä) uuteen työpisteeseen. (Kuvan lähde: Omron)

Kybervaarojen lisääntyminen

Teollisuusverkkojen kerroksellisuuden lisääntyminen yhdistettynä liitettyjen laitteiden määrän räjähdysmäiseen kasvuun lisää tietoturvan uhkakuvia ja kyberuhkia. On kehitetty useita teollisuus- ja IoT-kohtaisia tietoturvastandardeja ja -menetelmiä, kuten International Electrotechnical Commission (IEC) 62443 ja Security Evaluation Standard for IoT Platform (SESIP).

IEC 62443 on kansainvälisen automaatioalan järjestön (ISA) 99-komitean kehittämä ja kansainvälisen sähköalan standardointiorganisaation (IEC) hyväksymä joukko standardeja. IEC 62443 on yli 800-sivuinen sarja teollisuusautomaatio- ja ohjausjärjestelmiä (IACS) koskevia standardeja, joka sisältää 14 alaosiota ja neljä tasoa (kuva 3). Keskeiset osat, joissa määritellään komponenttien tuotekehitys- ja turvallisuusvaatimukset, ovat seuraavat:

  • IEC 62443-4-1: Tuotteiden tietoturvan kehityksen elinkaarivaatimukset – määrittelee turvallisen tuotekehityksen elinkaaren sisältäen lähtövaatimusten määrittelyn, turvallisen suunnittelun ja toteutuksen, todentamisen ja validoinnin, vikojen ja korjausten hallinnan sekä elinkaaren päättymisen.
  • IEC 62443-4-2: Teollisten automaatio- ja ohjausjärjestelmien tietoturva: IACS-komponenttien tekniset tietoturvavaatimukset – määrittelee tietoturvaominaisuudet, joiden avulla komponentti voi vähentää uhkia turvallisuustason mukaisesti.

Kuva: IEC 62443 sisältää kattavan sarjan IACS-turvallisuusstandardeja (suurenna klikkaamalla)Kuva 3: IEC 62443 sisältää kattavan sarjan IACS-turvallisuusstandardeja. (Kuvan lähde: IEC)

SESIP on GlobalPlatformin julkaisema. Se määrittelee yhteisen rakenteen verkkoon kytkettyjen tuotteiden tietoturvan evaluointiin ja käsittelee IoT-kohtaisia vaatimustenmukaisuuteen, tietoturvaan, tietosuojaan ja skaalautuvuuteen liittyviä haasteita. SESIP tarjoaa selkeät määritelmät komponenttien ja alustojen tietoturvatoiminnoille turvallisuuden toiminnallisten vaatimusten (Security Functional Requirements, SFR) muodossa. Se tarjoaa myös vahvuusmittareita, joilla mitataan kestävyyttä hyökkäyksiä vastaan SESIP-”tasojen” 1–5 muodossa. Taso 1 tarkoittaa itse suoritettua sertifiointia ja taso 5 vastaa laajaa testausta ja kolmannen osapuolen sertifiointia.

Koneoppiminen pilvestä reunaan

Koneoppiminen on älykkään automaation keskeinen mahdollistaja, joka edistää prosessien ja tuotteiden korkean laadun jatkuvaa parantamista . Neuroverkkojen käyttö on vakiintunut koneoppimistekniikka Teollisuus 4.0 -teknologiassa. Sitä on alettu täydentää pilvessä syvävahvistusoppimisella. Syvävahvistusoppiminen lisää neuroverkkoytimeen tavoitteellisten algoritmien kehyksen. Vahvistusoppiminen rajoittui alussa toistettaviin ympäristöihin, kuten pelien pelaamiseen. Nykyään algoritmit voivat toimia reaalimaailman monitulkintaisemmissa ympäristöissä. Tulevaisuudessa vahvistusoppimisen kehittyneet toteutukset voivat saavuttaa yleisen tekoälykkyyden.

Koneoppimista ei tapahdu vain pilvessä, vaan se ulottuu tehtaaseen ja verkon reunalle. Teollisuustietokoneiden ja ohjelmoitavien ohjainten laajennuspaikkoja käytetään tehtaissa yhä enemmän ML- ja AI-kiihdytinkortteille älykästä prosessinohjausta varten.

Tiny machine learning (tinyML) on optimoitu käytettäväksi vähävirtaisissa sovelluksissa. tinyML-teknologian käyttö anturisovelluksissa on lisääntymässä nopeasti. Yksi esimerkki tinyML-sovelluksesta on IIoT-anturianalytiikka reunalaitteissa, jotka toimivat paristoilla tai talteenotetulla energialla. Arduino tarjoaa Tiny Machine Learning Kit -paketin, joka sisältää mikrokontrollerilla ja erilaisilla antureilla varustetun Arduino Nano 33 BLE Sense -kortin. Antureilla voidaan valvoa liikettä, kiihtyvyyttä, pyörintää, ääniä, eleitä, läheisyyttä, väriä ja valonvoimakkuutta (kuva 4). Siihen kuuluu myös OV7675-kameramoduuli ja Arduino-lisäkortti. Integroidulla mikrokontrollerilla voidaan toteuttaa avoimen lähdekoodin TensorFlow Lite -syväoppimiskehykseen perustuvia syviä neuroverkkoja laitteessa tapahtuvaa päättelyä varten.

Kuvassa Arduinon Tiny Machine Learning KitKuva 4: Arduinon Tiny Machine Learning Kit on tarkoitettu IIoT-anturisovellusten kehittämiseen. (Kuvan lähde: DigiKey)

Reaaliaikamittaus ja analytiikka

Reaaliaikamittaus ja analytiikka ovat olennainen osa älykästä automaatiota. Jäljitettävyys 4.0 yhdistää aiempien jäljitettävyyssukupolvien tuotenäkyvyyden, toimitusketjunäkyvyyden ja rivikohtaisen näkyvyyden ja tarjoaa täydellisen historian tuotteen kaikista osatekijöistä. Lisäksi se kattaa kaikki kone- ja prosessiparametrit ja tukee laitteiden kokonaistehokkuutta kuvaavia OEE (Overall Equipment Effectiveness) -arvoja valmistusprosessien optimoimiseksi (kuva 5).

Kuva: Jäljitettävyys 4.0 on kattava toteutusKuva 5: Jäljitettävyys 4.0 on kattava toteutus, joka tukee Teollisuus 4.0 -toimintojen erilaisia vaatimuksia. (Kuvan lähde: Omron)

Jäljitettävyys on monilla teollisuudenaloilla elintärkeää, kuten lääketieteellisten laitteiden valmistuksessa ja auto- sekä ilmailu- ja avaruusteollisuudessa. Lääketieteellisten laitteiden tapauksessa lakivaatimukset edellyttävät laajaa seurantaa ja jäljitettävyyttä. Autoissa ja ilmailu- ja avaruusjärjestelmissä voi olla kymmeniä tuhansia osia, joita täytyy seurata. Jäljitettävyys ei tarkoita vain osahistoriaa, vaan siihen kuuluu myös yksittäisten osien geometristen mittojen ja toleranssien (GD&T) seuranta. Geometriset mitat ja toleranssit mahdollistavat tarkkuusvalmistuksen ja osien asennuksen niiden tarkkojen GD&T-arvojen perusteella, mikä tukee esimerkiksi ilmailu- ja avaruus- sekä autoteollisuuden vaatimia erittäin tarkkoja osakokonaisuuksia.

Jäljitettävyys voi parantaa takaisinvetojen toteutustarkkuutta ja -tehokkuutta. Sen avulla valmistaja voi tunnistaa kaikki vialliset tuotteet sekä viallisten komponenttien toimittajan tai toimittajat.

Korjaavia ja ehkäiseviä toimia voidaan nopeuttaa jäljitettävyyden avulla. Takaisinvetojen tavoin myös tuotteiden täydellisen alkuperän tunteminen tarjoaa valmistajille mahdollisuuden kohdentaa ja aikatauluttaa tehokkaasti kentällä olevien tuotteiden huolto- ja kunnossapitotoimia.

Jäljitettävyys ja MES-järjestelmät

Jäljitettävyyden tarjoavilla yhtenäisillä MES-toteutuksilla voidaan tuottaa hakukelpoinen tietokanta, joka sisältää kaiken yksittäisiin tuotteisiin liittyvän informaation, mukaan lukien suunnittelumallit ja toteutusmallit. Jäljitettävyyden ansiosta voidaan esimerkiksi seurata yksittäisiä komponentteja ja materiaaleja niiden saapuessa. Se tarjoaa saapuvat laatutestaustiedot, toimittavan tehtaan sijainnin jne. ennen tuotannon aloittamista. MES tarkastaa tämän informaation halutun suunnitelman perusteella ja syöttää tiedot kokoonpano- ja käynnissä olevien töiden prosessitietokantoihin.

IIoT-teknologian tarjoamat jäljitettävyystiedot ja MES-järjestelmä tukevat yhdessä tuotteiden massaräätälöintiä Teollisuus 4.0 -teknologian mukaisesti. MES mahdollistaa sen, että oikeat materiaalit, prosessit ja muut resurssit ovat oikeassa paikassa mahdollisimman alhaisten tuotantokustannuksien ja parhaan mahdollisen laadun takaamiseksi. Lisäksi MES ja jäljitettävyys voidaan yhdistää. Näin voidaan osoittaa viranomaismääräysten noudattaminen ja tarjota tiedot tarvittaessa helposti auditoijien tai muiden tahojen saataville.

Lohkoketju

Lohkoketju on hajautettu tai jaettu digitaalinen rekisterijärjestelmä, johon kirjataan useiden osapuolten väliset toimet tarkistettavissa olevalla tavalla niin, ettei väärentäminen ole mahdollista. Lohkoketjun potentiaalisia käyttökohteita ovat kaikki toimet, joissa luottamus on tärkeää, kuten toimitusketjun hallinta. Monia osapuolia sisältävässä toimitusketjussa lohkoketju voi parantaa liiketoimien tehokkuutta, mahdollistaa niiden tarkastamisen ja estää väärentämisen. Tässä on kaksi esimerkkiä lohkoketjun käytön tarjoamista eduista toimitusketjussa:

Manuaalisten prosessien korvaaminen. Manuaalisia paperipohjaisia prosesseja, jotka perustuvat allekirjoituksiin tai muuhun fyysiseen todentamiseen, voidaan mahdollisesti parantaa lohkoketjun avulla. Rajoituksena on, että rekisteriin osallistujien joukon on oltava rajallinen ja helposti tunnistettavissa. Jakeluyritys, jolla on jatkuvasti muuttuva ja ei-tuttuja asiakkaita sisältävä tietokanta, ei välttämättä ole hyvä ehdokas lohkoketjulle. Tuotantotoiminta, johon kuuluu rajallinen ja hitaasti muuttuva joukko luotettavia toimittajia, on puolestaan hyvä ehdokas.

Jäljitettävyyden vahvistaminen. Lohkoketju voi tarjota hyvän keinon toimitusketjun läpinäkyvyyden parantamiseen ja lisääntyvien sääntely- ja kuluttajatietovaatimusten täyttämiseen. Lohkoketju voi esimerkiksi tukea lääkkeiden toimitusketjua ja turvallisuutta koskevaa lakia (Drug Supply Chain and Security Act) ja Yhdysvaltain elintarvike- ja lääkeviraston (Food and Drug Administration) määräystä yksilöllisestä laitetunnisteesta. Autoteollisuudessa ja muilla aloilla toimitusketjuun kuuluvat toimittajat voivat osallistua takaisinvetojen toteuttamiseen, ja lohkoketju voi tarjota hyvän työkalun Automotive Industry Action Groupin julkaiseman jäljitettävyysohjeiden täytäntöönpanoon.

Yhteenveto

Älykäs automaatio, Teollisuus 4.0 -aloitteen perusta, pohjautuu lukuisiin teknologioihin, kuten yhä kasvavaan määrään langallisia ja langattomia verkkokerroksia, jotka aiheuttavat yhä kompleksisempia kyberturvallisuusuhkia. Lisäksi koneoppimista käytetään reunalta pilveen reaaliaikaisen mittauksen ja analytiikan tukemiseksi, jäljitettävyys ja yhtenäinen MES-järjestelmä mukaan lukien. Niiden ohella käyttöön on tulossa lohkoketjuteknologia, joka estää väärentämistä ja mahdollistaa tietokantojen tarkastamisen.

DigiKey logo

Disclaimer: The opinions, beliefs, and viewpoints expressed by the various authors and/or forum participants on this website do not necessarily reflect the opinions, beliefs, and viewpoints of DigiKey or official policies of DigiKey.

Tietoja kirjoittajasta

Image of Jeff Shepard

Jeff Shepard

Jeff on kirjoittanut yli 30 vuoden ajan tehoelektroniikasta, elektroniikkakomponenteista ja muista teknologia-aiheista. Hän aloitti kirjoittamisen tehoelektroniikasta EETimesin vanhempana toimittajana. Tämän jälkeen hän perusti tehoelektroniikan suunnittelulehden nimeltään Powertechniques, ja sen jälkeen maailmanlaajuisen tehoelektroniikan tutkimus- ja kustannusyrityksen nimeltään Darnell Group. Darnell Group julkaisi muun muassa PowerPulse.net-sivustoa, joka tarjosi päivittäin uutisia maailmanlaajuiselle tehoelektroniikan suunnittelijayhteisölle. Hän on kirjoittanut Prentice Hallin Reston-divisioonan julkaiseman hakkurivirtalähteitä käsittelevän "Power Supplies" -oppikirjan.

Jeff oli myös mukana perustamassa Computer Productsin ostamaa Jeta Power Systems -yhtiötä, joka valmisti suuritehoisia hakkurivirtalähteitä. Jeff on myös keksijä ja hänellä on nimissään 17 yhdysvaltalaista patenttia lämpöenergian talteenoton ja optisten metamateriaalien alalla. Häntä arvostetaan alalla ja hänet kutsutaan usein puhumaan tehoelektroniikan globaaleista suuntauksista. Hänellä on yliopistotutkinto kvantitatiivisista menetelmistä ja matematiikasta Kalifornian yliopistosta.

Tietoja tästä julkaisijasta

DigiKeyn kirjoittajat Pohjois-Amerikassa