ABB un NVIDIA sadarbojas, lai revolucionizētu rūpniecības automatizāciju ar mākslīgo intelektu

ABB un NVIDIA sadarbojas, lai revolucionizētu rūpniecisko automatizāciju ar fizisko mākslīgo intelektu

Rūpnieciskās automatizācijas joma piedzīvo milzīgas pārmaiņas, jo virtuālā simulācija un reālā izvietošana beidzot saplūst kopā. ABB Robotics ir paziņojusi par stratēģisku sadarbību ar NVIDIA, lai integrētu NVIDIA Omniverse bibliotēkas ABB raksturīgajā RobotStudio programmatūrā. Šī sadarbība mērķē nodrošināt rūpnieciskās klases fizisko mākslīgo intelektu plašā mērogā. Izlaižot RobotStudio HyperReality 2026. gada beigās, uzņēmumi plāno novērst tradicionālās rūpnieciskās automatizācijas testēšanas robežas. Rezultātā ražotāji var sagaidīt būtisku izmaksu samazinājumu nodošanas procesā un ievērojami ātrāku produktu nonākšanu tirgū.

Tilta būvēšana starp simulāciju un realitāti digitālo dvīņu tehnoloģijā

Desmitgadēm ilgi automatizācijas inženieri cīnījās ar "simulācijas un realitātes" plaisu. Šis termins apraksta neatbilstību starp virtuālās simulācijas vidi un reālajām rūpnīcas grīdām attiecībā uz apgaismojumu, tekstūrām un fiziskajām tolerancēm. Šī neatbilstība bieži lika inženieriem pavadīt nedēļas, novēršot fizisko aparatūru pēc sākotnējās virtuālās testēšanas.

ABB risina šo problēmu, apvienojot NVIDIA paātrināto skaitļošanu ar savu patentēto virtuālā kontroliera programmaparatūru. Tā kā virtuālais kontrolieris darbojas ar tieši to pašu kodu kā fiziskais robots, simulācijas korelācija sasniedz nepieredzētu 99% precizitāti. Turklāt ABB integrē savu Absolute Accuracy tehnoloģiju šajā ekosistēmā. Šī kombinācija samazina pozicionēšanas kļūdas no standarta 8–15 mm līdz precīzam 0,5 mm, nodrošinot, ka augstas precizitātes vadības sistēmas darbojas identiski gan virtuālajā, gan fiziskajā vidē.

Augstas precizitātes patērētāju elektronikas montāžas vienkāršošana

Šīs fiziskā mākslīgā intelekta platformas praktiskās priekšrocības jau ir redzamas augsta riska ražošanas vidēs. Foxconn, pasaulē lielākais elektronikas līgumu ražotājs, pašlaik testē šo tehnoloģiju savās patērētāju elektronikas montāžas līnijās.

Automatizēt sīku komponentu montāžu ir liels izaicinājums, ņemot vērā smalkās metāla konstrukcijas un biežās produktu variācijas. Tradicionāli ražošanas līnijas maiņa prasīja plašu fizisku prototipēšanu un manuālu precizēšanu. Izmantojot RobotStudio HyperReality, Foxconn inženieri ģenerē hiperreālistiskus sintētiskos datus, lai virtuāli apmācītu montāžas robotus. Rezultātā komanda optimizē ražošanas līnijas vēl pirms fiziskā aprīkojuma ierašanās, samazinot iestatīšanas laiku un paātrinot produktu attīstības ciklu.

Darba spēka trūkuma mazināšana mazajiem un vidējiem uzņēmumiem

Kamēr lielie uzņēmumi, piemēram, Foxconn, izmanto šo tehnoloģiju precizitātei, mazie un vidējie ražotāji to pielieto, lai cīnītos ar pastāvīgo darba spēka trūkumu. WORKR, Kalifornijā bāzēts robotizētas darbaspēka uzņēmums, šos progresīvos AI modeļus tieši ievieš mazākās rūpnīcās visā ASV.

WORKR apvieno ABB rūpniecisko aparatūru ar savu WorkrCore™ AI platformu, kas pilnībā apmācīta uz sintētiskiem datiem, kas ģenerēti, izmantojot NVIDIA Omniverse. Šī pieeja ļauj rūpnīcu operatoriem izvietot inteliģentus robotus bez tradicionālām programmēšanas zināšanām. Operatoriem ir iespējams mācīt robotus jaunām darbībām dažu minūšu laikā, padarot progresīvu rūpniecisko automatizāciju pieejamu uzņēmumiem, kuriem iepriekš nebija kapitāla vai specializēta inženieru personāla robotikas ieviešanai.

Nākotnes perspektīva: reāllaika Edge AI spriešana ar OmniCore

Skatoties pāri simulācijai, ABB aktīvi izvērtē NVIDIA Jetson edge skaitļošanas platformas integrāciju savos nākamās paaudzes OmniCore kontrolieros. Šī integrācija nodrošinās reāllaika AI spriešanu tieši rūpnīcas grīdā.

Neatkarīgi no mākoņa tīkla, rūpnieciskie roboti apstrādās sarežģītus vizuālos un telpiskos datus lokāli. Šī arhitektūra nodrošina ļoti zemu latentumu un spēcīgu datu drošību, kas ir kritiski svarīgi mūsdienu izkliedētajām vadības sistēmām (DCS). Šī edge-AI attīstība balstās uz ABB esošo portfeli, kas jau izmanto NVIDIA Jetson vizuālai vienlaicīgai lokalizācijai un kartēšanai (VSLAM) autonomajos mobilajos robotu risinājumos.

Autora ieskats: paradigmas maiņa sistēmu integratoriem

No nozares skatpunkta šī sadarbība nozīmē fundamentālu maiņu tam, kā sistēmu integratori un automatizācijas inženieri pieies rūpnīcu projektēšanai. Vēsturiski simulācijas programmatūra galvenokārt kalpoja kā vizuāls pārdošanas rīks vai vienkārša ceļa pārbaudes utilīta, nevis kā galvenais izvietošanas mehānisms.

Sasniedzot 99% simulācijas precizitāti, ABB un NVIDIA pārvērš digitālo dvīni par uzticamu patiesības avotu. Spēja ģenerēt augstas kvalitātes sintētiskos datus nozīmē, ka fiziskie AI modeļi var apgūt sarežģītas vides, mainīgu apgaismojumu un neparedzamu materiālu navigāciju pilnībā mākoņvidē. Šī spēja būtiski samazina finansiālo risku sistēmu integratoriem. Viņi tagad var garantēt veiktspējas rādītājus gala lietotājiem pirms tiek iegādāts viens vienīgs fizisks aprīkojums. Šī paredzamība, visticamāk, paātrinās robotikas ieviešanu nozarēs, kas tradicionāli ir pretojušās automatizācijai augsto sākotnējo inženiertehnisko izmaksu dēļ.

Rūpnieciskā risinājuma scenārijs: augstas dažādības, zema apjoma automobiļu detaļu ražošana

Lai saprastu, kā šī tehnoloģija darbojas dzīvē rūpnieciskā vidē, apsveriet šādu izvietošanas scenāriju pirmā līmeņa automobiļu piegādātājam, kas nodarbojas ar augstas dažādības, zema apjoma ražošanu.

Izaicinājums

Ražotājam bieži jākonfigurē robota darba šūna, lai montētu dažādas elektrisko transportlīdzekļu (EV) bateriju dzesēšanas plāksnes variācijas. Fiziskā apmācība un manuālā programmēšana katras produkta maiņas laikā rada stundām ilgu dīkstāvi, kas samazina peļņu.

Risinājuma ceļš

1. Virtuālās šūnas konfigurācija：1. fāze: RobotStudio HyperReality。

Inženieri importē jauno bateriju plākšņu variāciju 3D CAD failus digitālā dvīņa vidē.

2. Sintētisko datu ģenerēšana：2. fāze: NVIDIA Omniverse integrācija。

Sistēma automātiski ģenerē tūkstošiem hiperreālistisku apmācības scenāriju, mainot apgaismojuma leņķus, metāla atspīdumus un virsmas tekstūras.

3. AI modeļa apmācība：3. fāze: fiziskā AI optimizācija。

Robota neironu tīkls apmācās uz šiem sintētiskajiem datiem simulatorā, apgūstot precīzas paņemšanas un novietošanas trajektorijas un spēka vadības atgriezenisko saiti.

4. Izvietošana bez dīkstāves：4. fāze: reālā pasaules izpilde。

Apstiprinātais AI modelis tiek tieši ielādēts fiziskajā ABB OmniCore kontrolierī. Fiziskais robots sasniedz 99% precizitāti pirmajā darbībā bez manuālas programmēšanas.