ABB ir NVIDIA bendradarbiauja, kad revoliucionuotų gamyklų automatizavimą su dirbtiniu intelektu

ABB ir NVIDIA bendradarbiauja, kad revoliucionuotų gamyklų automatizavimą su fiziniu DI

Pramoninės automatizacijos sritis patiria didžiulį pokytį, kai virtuali simuliacija ir realus diegimas pagaliau susilieja. ABB Robotics paskelbė apie strateginį bendradarbiavimą su NVIDIA, siekdama integruoti NVIDIA Omniverse bibliotekas į ABB išskirtinę RobotStudio programinę įrangą. Ši partnerystė siekia pristatyti pramoninės klasės fizinį DI dideliu mastu. Išleidus RobotStudio HyperReality 2026 m. pabaigoje, įmonės planuoja panaikinti tradicines gamyklų automatizavimo testavimo ribas. Dėl to gamintojai gali tikėtis žymiai sumažinti paleidimo kaštus ir gerokai pagreitinti produktų pateikimą į rinką.

Skaitmeninio dvynio technologijos simuliacijos ir realybės spragos užbridimas

Dešimtmečius automatizacijos inžinieriai kovojo su „simuliacijos ir realybės“ spraga. Šis terminas apibūdina neatitikimą tarp virtualios simuliacijos aplinkų ir tikrų gamyklos grindų apšvietimo, tekstūrų ir fizinių tolerancijų atžvilgiu. Šis neatitikimas dažnai priversdavo inžinierius praleisti savaites derinant fizinę įrangą po pradinio virtualaus testavimo.

ABB sprendžia šią problemą derindama NVIDIA spartintą skaičiavimą su savo patentuota virtualaus valdiklio programine įranga. Kadangi virtualus valdiklis vykdo tą pačią programinę įrangą kaip ir fizinis robotas, simuliacijos koreliacija pasiekia precedento neturintį 99 % tikslumą. Be to, ABB integruoja savo Absolute Accuracy technologiją į šią ekosistemą. Šis derinys sumažina pozicionavimo klaidas nuo standartinių 8–15 mm iki tikslių 0,5 mm, užtikrindamas, kad aukšto tikslumo valdymo sistemos veiktų identiškai tiek virtualioje, tiek fizinėje erdvėje.

Aukšto tikslumo vartotojų elektronikos surinkimo supaprastinimas

Šios fizinio DI platformos praktinės naudos jau matomos aukšto lygio gamybos aplinkose. Foxconn, didžiausias pasaulyje elektronikos gamybos rangovas, šiuo metu bando šią technologiją savo vartotojų elektronikos surinkimo linijose.

Automatizuoti smulkių komponentų surinkimą kelia didelių iššūkių dėl trapios metalinės konstrukcijos ir dažnų produktų variantų. Tradiciškai gamybos linijos keitimas reikalavo daug fizinių prototipų ir rankinio derinimo. Naudodami RobotStudio HyperReality, Foxconn inžinieriai generuoja itin realistiškus sintetinius duomenis, kad virtualiai apmokytų surinkimo robotus. Dėl to komanda optimizuoja gamybos linijas dar prieš atvykstant fizinei įrangai, sumažindama paruošimo laiką ir pagreitindama produktų vystymo ciklą.

Darbo jėgos trūkumo mažinimas mažoms ir vidutinėms įmonėms

Kol didelės įmonės, tokios kaip Foxconn, naudoja šią technologiją tikslumui užtikrinti, mažos ir vidutinės gamyklos ją naudoja kovai su nuolatiniu darbo jėgos trūkumu. WORKR, Kalifornijoje įsikūrusi robotikos darbo jėgos įmonė, šias pažangias DI modelius tiesiogiai pristato mažesnėms gamykloms visose Jungtinėse Valstijose.

WORKR derina ABB pramoninę įrangą su savo WorkrCore™ DI platforma, kuri visiškai apmokyta naudojant sintetinius duomenis, sugeneruotus per NVIDIA Omniverse. Šis požiūris leidžia gamyklų operatoriams diegti išmaniuosius robotus be tradicinių programavimo žinių. Operatoriai gali per kelias minutes išmokyti robotus naujų užduočių, todėl pažangi gamyklų automatizacija tampa prieinama verslams, kurie anksčiau neturėjo kapitalo ar specializuotų inžinierių, reikalingų robotikos diegimui.

Ateities horizontas: realaus laiko Edge DI sprendimas su OmniCore

Žvelgiant už simuliacijos ribų, ABB aktyviai vertina NVIDIA Jetson edge kompiuterijos platformos integravimą į savo naujos kartos OmniCore valdiklius. Ši integracija atneš realaus laiko DI sprendimus tiesiai į gamyklos grindis.

Vietoj debesų tinklų, pramoniniai robotai apdoros sudėtingus vaizdinius ir erdvinius duomenis vietoje. Ši architektūra užtikrina itin mažą delsą ir stiprią duomenų apsaugą, kurie yra kritiškai svarbūs šiuolaikinėms paskirstytoms valdymo sistemoms (DCS). Ši edge-DI evoliucija remiasi ABB esamu portfeliu, kuris jau naudoja NVIDIA Jetson vizualinei vienalaikei lokalizacijai ir žemėlapių sudarymui (VSLAM) savo autonominiuose mobiliuosiuose robotuose.

Autoriaus įžvalga: paradigmos pokytis sistemų integratoriams

Iš pramonės perspektyvos ši partnerystė reiškia esminį pokytį, kaip sistemų integratoriai ir automatizacijos inžinieriai žvelgs į gamyklų projektavimą. Istoriškai simuliacijos programinė įranga daugiausia tarnavo kaip vizualinė pardavimų priemonė arba paprasta kelio tikrinimo funkcija, o ne kaip galutinis diegimo mechanizmas.

Pasiekus 99 % simuliacijos tikslumą, ABB ir NVIDIA paverčia skaitmeninį dvynį patikimu tiesos šaltiniu. Gebėjimas generuoti aukštos kokybės sintetinius duomenis reiškia, kad fiziniai DI modeliai gali išmokti naršyti sudėtingose aplinkose, kintančiame apšvietime ir nenuspėjamuose paviršiuose visiškai debesyje. Ši galimybė žymiai sumažina finansinę riziką sistemų integratoriams. Jie dabar gali garantuoti našumo rodiklius galutiniams vartotojams dar nepirkę nė vienos fizinės įrangos dalies. Šis prognozuojamumas greičiausiai pagreitins robotikos diegimą sektoriuose, kurie tradiciškai vengė automatizacijos dėl didelių pradinių inžinerinių kaštų.

Pramoninis sprendimo scenarijus: didelės įvairovės, mažo tūrio automobilių komponentų gamyba

Norint suprasti, kaip ši technologija veikia realioje pramoninėje aplinkoje, apsvarstykite šį diegimo scenarijų pirmos eilės automobilių tiekėjui, dirbančiam su didelės įvairovės, mažo tūrio gamyba.

Iššūkis

Gamintojas dažnai turi pertvarkyti robotizuotą darbo ląstelę, kad surinktų įvairias elektrinių transporto priemonių (EV) baterijų aušinimo plokščių versijas. Fizinis mokymas ir rankinis programavimas sukelia valandų prastovas kiekvieno produkto keitimo metu, mažindami pelningumą.

Sprendimo kelias

1. Virtualios ląstelės konfigūracija：1 etapas: RobotStudio HyperReality。

Inžinieriai importuoja naujų baterijų plokščių variantų 3D CAD failus į skaitmeninio dvynio aplinką.

2. Sintetinių duomenų generavimas：2 etapas: NVIDIA Omniverse integracija。

Sistema automatiškai generuoja tūkstančius itin realistiškų mokymo scenarijų, keisdama apšvietimo kampus, metalo atspindžius ir paviršiaus tekstūras.

3. DI modelio mokymas：3 etapas: fizinio DI optimizavimas。

Roboto neuroninis tinklas mokosi iš šių sintetinių duomenų simuliatoriuje, įvaldydamas tikslias paėmimo ir padėjimo trajektorijas bei jėgos valdymo grįžtamąjį ryšį.

4. Diegimas be prastovų：4 etapas: realaus pasaulio vykdymas。

Patvirtintas DI modelis tiesiogiai įrašomas į fizinį ABB OmniCore valdiklį. Fizinis robotas pasiekia 99 % tikslumą jau pirmuoju bandymu be rankinio programavimo.