Hur automatisering, maskininlärning och blockkedjor driver på framtidens elektroniktillverkning

Industry 4.0 bygger på intelligent automation vid tillverkning av elektronik. Automatisering med allt större kapacitet finns överallt, från molnkanten till molnet, i givare, robotar och samarbetsrobotar, programmerbara logikstyrenheter (PLC) och annan utrustning. Halvledarplattor, integrerade kretsar, passiva komponenter, förpackning och elektroniska system för konsument, tillämpningar inom grön energi, fordon, medicinsk teknik, industri, militär, flygteknik samt andra tillämpningar är beroende av intelligent automatisering för sin produktion. Enhetliga MES-system (Manufacturing Execution Systems) tillhandahåller övervakning, styrning, spårning och dokumentation av hela tillverkningskedjan i realtid, från råmaterial till färdiga varor.

De fysiska automatiserade cybersystemen i Industry 4.0 sträcker sig bortom traditionell verksamhet för tillverkning och bygger på olika former av maskininlärning, från djup förstärkningsinlärning i molnet till tinyML i kanten för flexibel produktion, kontinuerlig förbättring samt jämn och hög kvalitet. Antalet lager av uppkopplingar ökar och i kombinationen med databehandling i molnkanten, Industrial Internet of Things (IIoT) och molntjänster ökar utmaningarna när det gäller cybersäkerhet. Blockkedjor har nyligen blivit aktuellt för en omfattande och säker hantering av leveranskedjan.

Artikeln tar upp viktiga automationstrender inom elektroniktillverkning, inklusive de ökande lagren av anslutningsmöjligheter, det växande behovet av cybersäkerhet, de specialiserade implementationerna av maskininlärning som används och hur spårbarhet och MES stöder mätningar av produktion och analyser i realtid. Längs vägen granskas några av de teknologier som behövs för att till fullo förverkliga löftet om Industry 4.0 för massanpassning med hög kvalitet och låga kostnader, inklusive hur Dig-Key stöder behoven hos konstruktörer av automationssystem med ett brett utbud av lösningar. Den avslutas med en titt på hur blockkedjor används för att införa mycket säkra hanteringssystem för leveranskedjan i hela företaget.

Tilltagande antal lager av anslutningsmöjligheter

IIoT i Industry 4.0 omfattar flera kabelanslutna och trådlösa nätverkslager för sensornätverk, autonoma mobila robotar (AMR) och andra system. IO-Link utvecklades exempelvis för att tillhandahålla ett förenklat kabelanslutet nätverk för det enorma antalet givare, ställdon, indikatorer och andra tidigare icke anslutna, äldre, utrustningar i molnkanten till en högre nivå av nätverk som t.ex. Ethernet IP, Modbus TCP/IP och PROFINET. Med IO-Link samlas dessa enheters in- och utgångar (I/O) in och konverteras till protokollet IO-Link för seriell anslutning enligt definitionen i IEC 61131-9 med en enda 4- eller 5-trådig, oskärmad, kabel som definieras i IEC 60974-5-2 (figur 1). Förutom att tillhandahålla ett nytt nätverkslager för att samla in mer detaljerad information om fabriksprocesser stödjer IO-Link snabb implementering och fjärrkonfiguration, övervakning och diagnostik av anslutna enheter för att stödja linje- och processändringar som behövs för massanpassning i Industry 4.0-fabriker.

Figur 1: IO-Link kan användas för att ansluta givare och andra enheter med olika gränssnitt till Ethernet-, PROFINET- eller Modbus-nätverk. (Bildkälla: Banner Engineering)

Trådlösa IIoT-enheter, från givare till robotar, bidrar också till det växande antalet nätverkslager. Olika trådlösa protokoll, inklusive WiFi, 5G, LTE och andra, används i moderna fabriker. Autonoma mobila robotar använder exempelvis en kombination av inbyggda givare och WiFi-anslutning för att förstå sin omgivning, identifiera eventuella hinder och förflytta sig säkert och effektivt från plats till plats. Samarbetsrobotar (cobotar) är utformade för att arbeta tillsammans med människor för att förbättra effektiviteten i verksamheten och kräver ofta trådlös anslutning. I vissa fall flyttas samarbetsrobotarna av de autonoma mobila robotarna från uppgift till uppgift efter behov (figur 2).

Figur 2: En autonom mobil robot (nederst) kan navigera från plats till plats med hjälp av en kombination av inbyggda givare och trådlös uppkoppling och kan plocka upp och flytta en samarbetsrobot (överst) till en ny arbetsstation. (Bildkälla: Omron)

Ökade cyberrisker

De utökade lagren i industriella nätverk, i kombination med det explosionsartade antalet anslutna enheter, leder till ett växande antal varierade säkerhetshot och ökande cyberrisker. Flera specifika säkerhetsstandarder och metoder för industri och IoT har utvecklats, bland annat IEC 62443 (International Electrotechnical Commission) och SESIP (Security Evaluation Standard for IoT Platform).

IEC 62443 är en serie standarder som har utvecklats av ISA 99-kommittén (International Society of Automation) och har godkänts av IEC. IEC 62443 är en serie standarder för industriella automations- och styrsystem (IACS) på över 800 sidor, med 14 delavsnitt och fyra nivåer (figur 3). De viktigaste avsnitten som definierar produktutveckling och säkerhetskrav för komponenterna är:

• IEC 62443-4-1: Product Security Development Lifecycle Requirements - definierar en säker livscykel för produktutveckling, inklusive inledande kravspecifikation, säker konstruktion och implementering, verifiering och validering, hantering av defekter och felrättningar samt slutet på livscykeln.
• IEC 62443-4-2: Technical Security Requirements for IACS Components - specificerar säkerhetsfunktioner som gör det möjligt för en komponent att begränsa hot för en given säkerhetsnivå.

Figur 3: IEC 62443 är en omfattande uppsättning säkerhetsstandarder för IACS. (Bildkälla: IEC)

SESIP publiceras av GlobalPlatform och definierar en gemensam struktur för att utvärdera säkerheten hos uppkopplade produkter och tar upp specifika utmaningar med IoT i fråga om överensstämmelse, säkerhet, sekretess och skalbarhet. SESIP har tydliga definitioner av säkerhetsfunktionalitet för komponenter och plattformar i form av säkerhetsfunktionskrav (SFR). Den innehåller även mätvärden för styrka för att mäta tålighet mot attacker i form av SESIP-"nivåer" från 1 till 5, där 1 är självcertifiering och 5 motsvarar omfattande tester och certifiering av tredje part.

Maskininlärning från molnet till molnkanten

Maskininlärning är en nyckelfaktor för intelligent automatisering, med stöd för kontinuerliga processförbättringar och högkvalitativa produkter. Användningen av neurala nätverk är en väletablerad maskininlärningsteknik inom Industry 4.0. Den börjar nu kompletteras med djup förstärkningsinlärning i molnet. Med djup förstärkningsinlärning läggs ett ramverk av målinriktade algoritmer till i en neural nätverkskärna. Till en början var förstärkningsinlärning begränsad till upprepningsbara miljöer som t.ex. att spela spel, men idag kan algoritmerna fungera i mer svårtolkade miljöer i den verkliga världen. I framtiden kan avancerade tillämpningar av förstärkningsinlärning komma att uppnå allmän artificiell intelligens.

Maskininlärning finns inte bara i molnet utan når även ut till fabriksgolvet och molnkanten. Expansionsplatserna i industridatorer och programmerbara styrenheter på fabriksgolvet är allt oftare avsedda för acceleratorkort med maskininlärning och artificiell intelligens samt för intelligent styrning av processer.

TinyML (Tiny machine learning) är optimerad för användning i tillämpningar med låg strömförbrukning. Användningen av tinyML i tillämpningar med givare ökar snabbt. Ett exempel på en tillämpning med tinyML är analysering av givare med IIoT för enheter i molnkanten som drivs av batterier eller energiutvinning. Arduino erbjuder en tinyML-sats som innehåller kortet Arduino Nano 33 BLE Sense med en microcontroller och en mängd olika givare som kan övervaka rörelse, acceleration, rotation, ljud, gester, närhet, färg, ljusstyrka och rörelse (figur 4). Kameramodulen OV7675 och ett tilläggskort för Arduino ingår också. Den inbyggda microcontrollern kan implementera djupa neurala nätverk baserade på TensorFlow Lite, ett ramverk för djupinlärning med öppen källkod, för inferens på enheten.

Figur 4: TinyML-satsen från Arduino är utformad för att utveckla tillämpningar med IIoT-givare. (Bildkälla: DigiKey)

Mätningar och analyser i realtid

Mätningar och analyser i realtid är viktiga aspekter av intelligent automatisering. Traceability 4.0 kombinerar produktsynlighet, synlighet i leveranskedjan och synlighet för enskilda produkter från tidigare generationer av spårbarhet och ger en fullständig historik över alla aspekter för en produkt. Dessutom omfattar den alla maskin- och processparametrar och stöder OEE-mätningar (Overall Equipment Effectiveness) som optimerar tillverkningsprocesserna (figur 5).

Figur 5: Traceability 4.0 är en omfattande implementation som stöder de olika kraven i verksamheter med Industry 4.0. (Bildkälla: Omron)

Spårbarhet är viktigt i många branscher, från tillverkning av medicintekniska produkter till fordons- och flygindustri. När det gäller medicintekniska produkter krävs omfattande spårning och spårbarhet i enlighet med lagstadgade krav. Bil- och flygplanssystem kan ha tiotusentals delar att spåra. Det handlar inte bara om delarnas historik utan spårbarhet omfattar även spårning av geometriska mått och toleranser (GD&T) för enskilda delar. GD&T möjliggör precisionstillverkning och installation av delar baserat på deras exakta värden för GD&T, vilket ger stöd för montering med hög precision i branscher som exempelvis flyg- och fordonsindustri.

Spårbarhet kan förbättra noggrannheten och effektiviteten vid återkallande av produkter. Den gör det möjligt för tillverkare att identifiera alla berörda produkter och leverantören eller leverantörerna av defekta komponenter.

Korrigerande och förebyggande åtgärder kan påskyndas med hjälp av spårbarhet. Precis som vid återkallande av produkter kan tillverkare rikta in sig på och planera service- och underhållsaktiviteter på fältet, genom att känna till produkternas fullständiga ursprung.

Spårbarhet och MES

En enhetlig MES-implementering med spårbarhet kan skapa en sökbar databas med all information om enskilda produkter, inklusive planerad konstruktion och färdiga resultat. Spårbarhet används till exempel för att spåra enskilda komponenter och material när de anländer, inklusive uppgifter om kvalitetstester vid inleverans, var den levererande fabriken är belägen och så vidare, innan produktionen inleds. MES verifierar denna information utifrån den planerade konstruktionen och matar in den till databaser för monteringsverksamhet och pågående arbete.

Information om spårbarhet som levereras av IIoT i kombination med MES stödjer massanpassning av produkter i Industry 4.0. MES gör att rätt material, processer och andra resurser finns på rätt plats för att säkerställa lägsta produktionskostnad och högsta kvalitet. MES och spårbarhet kan även kombineras och påvisa överensstämmelse med myndighetsbestämmelser och göra informationen lättillgänglig för revisorer eller andra efter behov.

Blockkedjor

En blockkedja är ett decentraliserat, eller distribuerat, digitalt kontrollsystem för att registrera transaktioner mellan flera parter på ett sätt som går att verifiera men inte går att manipulera. Alla transaktioner där förtroende är viktigt, till exempel vid hantering av leveranskedjan, är potentiella användningsområden för blockkedjor. I en leveranskedja med många aktörer kan blockkedjan förbättra transaktionseffektiviteten och göra transaktionerna verifierbara och manipuleringsskyddade. Två exempel på fördelarna med att använda blockkedjor i leveranskedjan är:

Ersättning av manuella processer. Manuella pappersbaserade processer som bygger på signaturer eller andra former av fysisk verifiering kan potentiellt förbättras med hjälp av en blockkedja. Begränsningen är att antalet deltagare i kontrollsystemet måste vara begränsade och lätta att identifiera. Ett leveransföretag med en ständigt föränderlig databas med okända kunder är sannolikt inte en bra kandidat för blockkedjor. En tillverkningsverksamhet med en begränsad och långsamt föränderlig grupp betrodda leverantörer är en bra kandidat.

Förstärkning av spårbarheten. Blockkedjor kan vara ett bra verktyg för att förbättra insynen i leveranskedjan och uppfylla de ökande kraven på regelverk och konsumentinformation. Blockkedjan kan till exempel stödja mandatet om en unik identifierare i lagen om läkemedels försörjningskedja och säkerhet (Drug Supply Chain and Security Act) från den amerikanska livsmedels- och läkemedelsmyndigheten (Food and Drug Administration). Inom fordonsindustrin och andra branscher kan leverantörer i hela leveranskedjan involveras i genomförandet av återkallelser och blockkedjor kan vara ett bra verktyg för att genomföra den riktlinje kring spårbarhet som publicerats av Automotive Industry Action Group.

Sammanfattning

Den intelligenta automatisering som ligger till grund för Industry 4.0 är beroende av många teknologier för att kunna genomföras, inklusive ett växande antal nätverkslager via kabelanslutna eller trådlösa nätverk, som leder till allt mer komplicerade hot inom cybersäkerhet. Dessutom implementeras maskininlärning från molnkanten till molnet för att stödja mätningar och analyser i realtid, inklusive spårbarhet och enhetlig MES. Slutligen införs teknik med blockkedjor för att stödja veriferbara databaser som är manipuleringsskyddade.