Hogyan serkenti az automatizálás, a gépi tanulás és a blokklánc az elektronikagyártás jövőjét?

Az Ipar 4.0 az elektronikagyártás területén az intelligens automatizálásra támaszkodik. Az automatizálás egyre inkább jelen van mindenhol, a helyi készülékektől a felhőig, az érzékelőkben, a robotokban és cobotokban (együttműködő robotokban, az angol cooperative robot kifejezés összevonásából), a programozható logikai vezérlőegységekben (PLC, programmable logic controller) és egyéb berendezésekben. A fogyasztói, zöldenergiához kötődő, gépjárműipari, gyógyászati, ipari, katonai, repülési és űrhajózási és egyéb területeken használt félvezetőszeletek, integrált áramkörök, passzív alkatrészek, tokozások és elektronikus rendszerek gyártása az intelligens automatizálástól függ. Az egységes gyártásirányítási rendszerek (MES, manufacturing execution system) valós idejű felügyeletet, ellenőrzést, nyomon követést és dokumentációt kínálnak a teljes gyártási láncra vonatkozóan, a nyersanyagoktól a késztermékekig.

Az Ipar 4.0 kiberfizikai automatizált rendszerei túlmutatnak a hagyományos gyártási tevékenységeken, és a rugalmas termelés, a folyamatos fejlesztés és az állandóan kiváló minőség érdekében a gépi tanulás (ML, machine learning) különböző formáira támaszkodnak, a felhőben történő mély megerősítéses betanítástól kezdve a helyi készülékeken végzett ún. „parányi gépi tanulásig” (tinyML). A kapcsolati rétegek száma egyre nő, és a helyi számítástechnikának, az ipari dolgok internetének (IIoT, Industrial Internet of Things) és a felhőben végzett számításoknak a kombinációja növeli a kiberbiztonsággal kapcsolatos kihívásokat. A blokklánc nemrégiben került be a képbe az átfogó és biztonságos ellátási lánc felügyelete érdekében.

Ez a cikk az elektronikagyártás legfontosabb automatizálási trendjeit vizsgálja, beleértve az egyre növekvő számú kapcsolati rétegeket, a kiberbiztonság iránti növekvő igényt, a gépi tanulás célirányos megvalósításait, valamint azt, hogy a nyomon követhetőség és a gyártásirányítási rendszerek hogyan támogatják a valós idejű termelési mutatókat és elemzéseket. A cikkben megvizsgálunk az Ipar 4.0 jelentette, a tömeges testreszabás kiváló minőség és alacsony költségek mellett történő kivitelezésére vonatkozó ígéret teljes körű megvalósításához szükséges néhány technikát, valamint azt is, hogy a Dig-Key hogyan támogatja az automatizálási rendszerek tervezőinek igényeit a megoldások széles skálájával. A cikk azzal zárul, hogy bemutatja, hogyan használják a blokkláncot a nagy biztonságú, vállalati szintű ellátásilánc-irányító rendszerek kiépítésére.

Egyre növekvő számú kapcsolati rétegek

Az Ipar 4.0-ban az ipari dolgok internete több vezetékes és vezeték nélküli hálózati réteget tartalmaz az érzékelőhálózatok, az önjáró robotok (AMR, autonomous mobile robot) és más rendszerek számára. Az IO-Link protokollt például azért fejlesztették ki, hogy egyszerűsített vezetékes hálózati kapcsolatot tegyen lehetővé a nagyszámú érzékelő, működtetőelem, visszajelző és más, korábban nem csatlakoztatott, hagyományos helyi eszköz számára olyan magasabb szintű hálózatokhoz, mint az Ethernet IP, a Modbus TCP/IP és a PROFINET. Az IO-Link használata esetén a rendszer fogadja ezen eszközök be- és kimenőjeleit (IO, input-output), és átalakítja azokat az IEC 60974-5-2 szabványban meghatározott egyetlen négy- vagy ötvezetékes árnyékolatlan kábelt használó, az IEC 61131-9 szabvány szerinti, soros kapcsolatot használó IO-Link protokollnak megfelelőre (1. ábra). Az IO-Link amellett, hogy új hálózati réteget biztosít a gyári folyamatokra vonatkozó részletesebb adatok rögzítéséhez, támogatja a csatlakoztatott eszközök gyors telepítését és távbeállítását, felügyeletét és diagnosztikáját, hogy lehetővé tegye az Ipar 4.0-s gyárakban a tömeges testreszabáshoz szükséges gyártósori és technológiai változtatásokat.

1. ábra: Az IO-Link különböző csatlakozókat használó érzékelők és egyéb eszközök Ethernet-, PROFINET- vagy Modbus-hálózatokhoz való csatlakoztatására használható (ábra: Banner Engineering)

Az ipari dolgok internetére kapcsolódó vezeték nélküli eszközök – az érzékelőktől a robotokig – szintén hozzájárulnak a hálózati rétegek számának növekedéséhez. A korszerű gyárakban különböző vezeték nélküli protokollokat használnak, amilyen többek között – a teljesség igénye nélkül – a wifi, az 5G és az LTE. Az önjáró robotok például a fedélzeti érzékelők és a wifikapcsolat kombinációját használják a környezetük megismerésére, a lehetséges akadályok azonosítására, valamint a biztonságos és hatékony helyváltoztatásra. Az együttműködő robotokat (cobot) úgy tervezték, hogy a működési hatékonyság javítása érdekében az emberekkel együttműködve dolgozzanak, és gyakran vezeték nélküli kapcsolatot igényelnek. Egyes esetekben önjáró robotok szállítják át a cobotokat az egyik munkavégzési helyről a másikra (2. ábra).

2. ábra: Az önjáró robotok (alul) a fedélzeti érzékelők és a vezeték nélküli kapcsolat kombinációjának segítségével képesek egyik helyről a másikra navigálni, és egy cobotot (felül) felvenni és egy új munkaállomásra szállítani (kép: Omron)

Növekvő kiberveszélyek

Az ipari hálózatok egyre több rétegűvé válása, valamint a csatlakoztatott eszközök számának robbanásszerű növekedése egyre több biztonsági fenyegetést hordozó elemet és egyre nagyobb kiberveszélyt eredményez. Időközben számos ágazati és a dolgok internetéhez kapcsolódó biztonsági szabványt és módszertant dolgoztak ki, köztük az IEC 62443-as szabványt (IEC: International Electrotechnical Commission, Nemzetközi Elektrotechnikai Bizottság) és a SESIP (Security Evaluation Standard for IoT Platform, a dolgok internete jelentette platform biztonsági szempontból való értékelésének szabványa) szabványt.

Az IEC 62443 egy szabványsorozat, amelyet a Nemzetközi Automatizálási Társaság (ISA, International Society of Automation) ISA99 bizottsága dolgozott ki, és az IEC hagyott jóvá. Az IEC 62443 egy több mint 800 oldalas, az ipari automatizálási és vezérlőrendszerekre (IACS, industrial automation and control systems) vonatkozó szabványsorozat, amely 14 alfejezetből áll, és négy szintet tartalmaz (3. ábra). Az alkatrészek termékfejlesztési és biztonsági követelményeit meghatározó főbb fejezetek a következők:

• IEC 62443-4-1: A biztonságos termékek kifejlesztésének a teljes életciklusra vonatkozó követelményei – a biztonságos termékek kifejlesztésének életciklusát szabja meg, beleértve a kezdeti követelmények meghatározását, a biztonságos tervezést és megvalósítást, az ellenőrzést és érvényesítést, a hibák és javítások kezelését, valamint az életciklus végét.
• IEC 62443-4-2: Az ipari automatizálási és vezérlőrendszerek biztonsága: az ipari automatizálási és vezérlőrendszerek összetevőire vonatkozó műszaki biztonsági követelmények – az összetevők azon biztonsági jellemzőit írja elő, amelyek lehetővé teszik a fenyegetések egy adott biztonsági szintre csökkentését.

3. ábra: Az IEC 62443 az ipari automatizálási és vezérlőrendszerek biztonsági szabványainak átfogó gyűjteménye (ábra: IEC)

A SESIP szabványt (a dolgok internete jelentette platform biztonsági szempontból való értékelésének szabványát) a GlobalPlatform teszi közzé, és közös struktúrát határoz meg az internetre kapcsolt termékek biztonságának értékelésére, valamint foglalkozik a dolgok internetével kapcsolatos megfelelési, biztonsági, adatvédelmi és méretezhetőségi feladatokkal. A SESIP egyértelműen, az összetevők és a platformok biztonsággal összefüggő követelményei (SFR, Security Functional Requirement) formájában határozza meg a biztonsági funkciókat. A SESIP a támadásokkal szembeni ellenálló képességet mutató erősségmérő besorolást is kínál 1-től 5-ig terjedő SESIP-„szintek” formájában, ahol az 1 a saját tanúsítást jelenti, az 5 pedig a kiterjedt tesztelésnek és a harmadik fél általi tanúsításnak felel meg.

Gépi tanulás a felhőtől a helyi készülékekig

A gépi tanulás az intelligens automatizálás kulcsfontosságú eszköze, amely lehetővé teszi a folyamatos technológiafejlesztést és a kiváló minőségű termékek gyártását. Az Ipar 4.0-ban jól bevált gépi tanulási technika a neurális hálózatok használata. Ezt kezdik kiegészíteni a felhőben végzett mély megerősítéses betanítással. A mély megerősítéses betanítás egy célirányos algoritmusokból álló kerettel egészíti ki a neurális hálózat magját. Kezdetben a megerősítéses betanítás olyan ismétlődő környezetekre korlátozódott, mint a számítógépes játékok játszása. Ma már a való világ jóval kevésbé egyértelmű környezetében is képesek működni az algoritmusok. A jövőben a fejlett megerősítéses betanításos konstrukciók elérhetik az általános mesterséges intelligencia szintjét.

A gépi tanulás nem csak a felhőben létező valami, hanem a gyárban lévő helyi készülékeket is eléri. Az ipari számítógépek és a gyárakban lévő programozható vezérlőegységek bővítőhelyei egyre inkább az intelligens folyamatirányításhoz szükséges gépi tanulási és mesterséges intelligenciás gyorsítókártyáknak adnak otthont.

Az ún. „parányi gépi tanulás” (tinyML, Tiny Machine Learning) kis fogyasztású készülékekben való használatra van optimalizálva. Az érzékelőkben gyorsan növekszik a tinyML használata. A tinyML egyik példája az ipari dolgok internetére kapcsolt érzékelők elemzése az akkumulátorról vagy energiakicsatolással működő helyi készülékeken. Az Arduino egy Tiny Machine Learning Kit nevű tinyML-készletet kínál, amelynek az alapja egy egy mikrovezérlőt és több, a mozgás, a gyorsulás, az elfordulás, a hangok, a mozdulatok, a közelség, a szín, a fényerő és a mozgás figyelésére alkalmas érzékelőt tartalmazó Arduino Nano 33 BLE Sense kártya (4. ábra). A készlet része még egy OV7675 kameramodul és egy Arduino rádugható csatlakozókártya (shield) is. A kártyán elhelyezett mikrovezérlő képes a nyílt forráskódú TensorFlow Lite mélytanulási keretrendszerre épülő mély neurális hálózatok kialakítására az eszközön belüli következtetések elvégzéséhez.

4. ábra: Az Arduino Tiny Machine Learning Kit nevű tinyML-készlete az ipari dolgok internetére csatlakozó érzékelők fejlesztéséhez készült (kép: DigiKey)

Valós idejű mérőszámok (mutatók) és elemzések

A valós idejű mérőszámok (mutatók) és elemzések az intelligens automatizálás alapelemei. A Nyomon követhetőség 4.0 ötvözi a termék láthatóságát, az ellátási lánc láthatóságát és a tételes láthatóságot, amely funkciók a a nyomon követhetőség korábbi generációiból származnak, és ezeken felül teljes előzményeket nyújt a termék minden aspektusáról. Ezen túlmenően tartalmazza a gép és a technológia összes paraméterét, és támogatja a gyártástechnológiák optimalizálására használható, a berendezések általános hatásfokát (OEE, overall equipment effectiveness) mutató mérőszámokat (5. ábra).

5. ábra: A Nyomon követhetőség 4.0 egy olyan átfogó rendszer, amely támogatja az Ipar 4.0-s műveletek sokrétű követelményeit (ábra: Omron)

A nyomon követhetőség számos iparágban létfontosságú, a gyógyászati készülékek gyártásától kezdve a gépjárműiparon át a repülőgépiparig és az űrhajózásig. A gyógyászati készülékek esetében a szabályozási követelmények kiterjedt nyomon követést és nyomon követhetőséget követelnek meg. Az autók, a repülőgépipari és űrhajózási rendszerek több tízezer alkatrészből állhatnak, amelyeket nyomon kell követni. A nyomon követhetőség nem csak az alkatrészek történetét jelenti, hanem magában foglalja az egyes alkatrészek geometriai méretezésének és tűrésének (GD&T, geometric dimensioning and tolerancing) nyomon követését is. A geometriai méretezés és tűrés lehetővé teszi a nagy pontosságú gyártást és az alkatrészek pontos geometriai méretezési és tűrési értékek alapján történő beépítését, elősegítve a nagy pontosságú összeszerelést olyan iparágakban, mint a repülőgépipar és a gépjárműgyártás.

A nyomon követhetőség javíthatja a termékvisszahívások végrehajtásának pontosságát és hatékonyságát is. Lehetővé teszi a gyártó számára, hogy azonosítsa az összes érintett terméket, valamint a hibás alkatrészek beszállítóját vagy beszállítóit.

A nyomon követhetőség használatával felgyorsíthatók a javítási célú és a megelőző intézkedések. A termékvisszahívásokhoz hasonlóan a termékek eredetének és teljes életútjának ismerete lehetővé teszi a gyártók számára, hogy hatékonyan célozzák meg és ütemezzék a külső helyszínen lévő termékeken végzendő szerviz- és karbantartási tevékenységeket.

A nyomon követhetőség és a gyártásirányítási rendszerek

A nyomon követhetőséggel felruházott egységes gyártásirányítási (MES) rendszerek képesek az egyes termékekkel kapcsolatos összes adatot tartalmazó kereshető adatbázist létrehozni, beleértve a tervezett állapotokat és a valójában megépített eredményeket is. A nyomon követhetőséget például arra használják, hogy a gyártás megkezdése előtt nyomon kövessék az egyes alkatrészek és anyagok beérkezését, beleértve a beérkezéskori minőségvizsgálati adatokat, a beszállító gyár helyét stb. A gyártásirányítási rendszer ellenőrzi ezeket az adatokat a tervezett állapot alapján, és betáplálja őket a szerelési műveletek és a technológiai folyamatok adatbázisaiba.

Az ipari dolgok internete által szolgáltatott nyomon követhetőségi adatok a gyártásirányítási rendszerrel kombinálva segítik a termékek tömeges testreszabását az Ipar 4.0-ban. A gyártásirányítási rendszer lehetővé teszi, hogy a megfelelő anyagok, technológiák és egyéb erőforrások a megfelelő helyen legyenek, így garantálva a legalacsonyabb termelési költséget és a legjobb minőségű eredményt. A gyártásirányítási rendszer és a nyomon követhetőség kombinálható, és bizonyíthatja a kormányzati előírásoknak való megfelelést, és az adatokat szükség szerint könnyen hozzáférhetővé teheti az ellenőrök vagy mások számára.

A blokklánc

A blokklánc egy decentralizált vagy elosztott digitális főkönyvi rendszer, amely több fél közötti tranzakciókat rögzít hamisíthatatlan és ellenőrizhető módon. Minden olyan tranzakció, ahol fontos a bizalom – mint például az ellátási lánc kezelése esetében – a blokklánc egy lehetséges felhasználási területe. A sok résztvevős ellátási láncban a blokklánc javíthatja a tranzakciók hatékonyságát, valamint ellenőrizhetővé és hamisíthatatlanná tudja tenni a tranzakciókat. Két példa a blokklánc ellátási láncban való használatának előnyeire:

A kézi folyamatok kiváltása. Az aláírásra vagy a fizikai ellenőrzés más formáira támaszkodó, papíralapú kézi folyamatok legtöbbször javíthatók a blokklánc használatával. A korlátozás abban áll, hogy a főkönyvben szereplő résztvevők körének végesnek és könnyen azonosíthatónak kell lennie. Egy ismeretlen ügyfelek folyamatosan változó adatbázisával rendelkező kézbesítőcég nem biztos, hogy jó jelölt a blokklánc használatára. Jó jelölt viszont például egy megbízható beszállítók véges és lassan változó csoportjával rendelkező gyártóüzem.

A nyomon követhetőség javítása. A blokklánc jó eszköz lehet az ellátási lánc átláthatóságának javítására, valamint a növekvő szabályozási és fogyasztói tájékoztatási követelmények teljesítésére. A blokklánc alkalmas például a gyógyszerellátási láncról és -biztonságról szóló törvényben és az Amerikai Egyesült Államok Élelmiszer- és Gyógyszerügyi Hivatala (FDA, Food and Drug Administration) által kiadott, az egyedi eszközazonosítókról szóló rendelkezésben előírtaknak való megfelelés elősegítésére. A gépjárműiparban és más iparágakban a beszállítók az ellátási lánc egészében részt vehetnek a visszahívások végrehajtásában, és a blokklánc jó eszköz lehet a gépjárműipari akciócsoport (Automotive Industry Action Group) által közzétett nyomon követhetőségi iránymutatás végrehajtásához.

Összegzés

Az Ipar 4.0 alapját képező intelligens automatizálás megvalósítása számos technikára támaszkodik, beleértve a vezetékes és vezeték nélküli kapcsolatokhoz tartozó egyre több hálózati réteget, amelyek egyre összetettebb kiberbiztonsági fenyegetéseket jelentenek. Emellett a valós idejű mérőszámok (vagy mutatók) és elemzések támogatása végett – beleértve a nyomon követhetőséget és az egységes gyártásirányítási rendszert is – a helyi készülékektől a felhőig megvalósítják a gépi tanulást. Végezetül pedig a hamisíthatatlan és ellenőrizhető adatbázisok létrehozásának elősegítése érdekében egyre jobban terjed a blokklánctechnika.