El líder industrial Siemens está acelerando el desarrollo de modelos de detección de defectos con la generación de datos sintéticos 3D de NVIDIA Omniverse, uno de los beneficios más recientes para la manufactura que surgen de una asociación extendida para el metaverso industrial que apunta a avanzar en los digital twins.
Las plataformas Siemens Xcelerator y NVIDIA Omniverse están creando conexiones para permitir digital twins en vivo y de fidelidad de diseño completo que conectan sistemas de IA definidos por software del edge al cloud.
El fabricante industrial más grande de Europa administra muchas piezas móviles, por lo que la detección de defectos impulsada por IA promete aumentar el control de calidad y el rendimiento a gran escala.
Pero el desarrollo de modelos de IA requiere una gran cantidad de datos, y la producción de conjuntos de datos etiquetados para modelos de entrenamiento que permite detectar defectos es un proceso costoso y lento. En la mayoría de los casos, es posible que dichos datos no cubran todos los tipos de defectos o sus ubicaciones.
Utilizando la tecnología NVIDIA Replicator y Siemens SynthAI, podemos generar de forma procedimental conjuntos de imágenes fotorrealistas utilizando los modelos digitales de nuestros productos y recursos de producción y un pipeline de entrenamiento integrado para entrenar modelos listos para usar. Esto acelera cinco veces nuestro tiempo de configuración para los modelos de inspección de IA. — Maximilian Metzner, de GWE.
Como resultado, Siemens ha comenzado a aprovechar NVIDIA Omniverse Replicator que se ejecuta en instancias de Amazon G5 para la generación de datos sintéticos, a fin de reducir los tiempos de desarrollo de su modelo de IA de «meses» a «días», según la compañía.
Los datos sintéticos potencian el desarrollo de modelos. Está impulsando conjuntos de datos para todo, desde el trabajo de los brazos robóticos de la compañía alemana Festo hasta los esfuerzos en Amazon Robotics que utilizan datos sintéticos para entrenar robots para identificar paquetes.
En Siemens, la generación de datos sintéticos se está utilizando más allá de la detección de defectos para ayudar en áreas que incluyen, con meramente enunciativo, la recolección de contenedores robóticos, el monitoreo de seguridad, las inspecciones de soldadura y cableado y la verificación de kits de piezas.
«Cuanto mejor sean los datos sintéticos que tengas, menos datos reales necesitas, obtener datos reales es una molestia, por lo que deseas reducirlo tanto como sea posible sin sacrificar la precisión», dijo Alex Greenberg, director de simulación robótica avanzada de Siemens Digital Industries Software.
Inspección de Dispositivos de Control de Movimiento
La unidad de negocio Siemens Motion Control produce inversores, controladores y motores para más de 30,000 clientes en todo el mundo. La planta de electrónica líder, GWE, con sede en Erlangen, Alemania, ha estado trabajando en la visión de computación habilitada por IA para la detección de defectos utilizando métodos personalizados y diferentes modos de generación de datos sintéticos.
Sin embargo, los métodos comunes de generación de datos sintéticos no eran suficientes para la solidez lista para la producción en algunos casos de uso, lo que generaba una necesidad de adquisición y etiquetado de datos reales, lo que podría llevar meses.
GWE trabajó con la división de Software de Industrias Digitales de Siemens para encontrar una mejor manera de producir conjuntos de datos.
«Muchos casos de uso industriales cambian rápidamente. Los materiales están cambiando rápidamente. Debe automatizarse de una forma rápida y sin mucho conocimiento del ingeniero de terminales», dijo Zac Mann, líder de simulación robótica avanzada de Software de Industrias Digitales de Siemens.
Detectar Defectos de las Placas de Circuitos Impresos
El desafío de GWE es detectar defectos al principio de la puesta en marcha de nuevos productos y líneas de producción. Esperar a que ocurran errores reales solo para mejorar los conjuntos de datos de entrenamiento no es una opción.
Un área de enfoque para defectos en una placa de circuito impreso (PCB) es examinar la pasta térmica que se aplica a algunos componentes de la PCB con el fin de ayudar a transferir el calor rápidamente al disipador de calor conectado, lejos de los componentes.
Para detectar los defectos de PCB, el equipo de Software de Industrias Digitales de Siemens adoptó otro enfoque, en el que depende de datos sintéticos impulsados por Omniverse Replicator.
Con Omniverse, una plataforma para desarrollar procesos 3D personalizados y simular mundos virtuales, Siemens puede generar escenarios e imágenes mucho más realistas fácilmente, gracias a la renderización y los materiales basados físicamente y habilitados por la tecnología RTX.
Esto permite a Siemens moverse de forma más rápida y fluida para cerrar la brecha entre la simulación y la realidad, dijo Mann.
“Utilizando la tecnología NVIDIA Replicator y Siemens SynthAI, podemos generar de forma procedimental conjuntos de imágenes fotorrealistas utilizando los modelos digitales de nuestros productos y recursos de producción y un pipeline de entrenamiento integrado para entrenar modelos listos para usar. Esto acelera nuestro tiempo de configuración para los modelos de inspección de IA en un factor de cinco y aumenta su solidez enormemente», dijo Maximilian Metzner, líder global de sistemas de fabricación autónomos para electrónica en GWE.
Aprovechar la Aleatorización con SynthAI
Los ingenieros de GWE ahora pueden tomar un modelo CAD 3D de la PCB e importarlo a la herramienta SynthAI de Siemens. SynthAI está diseñado para construir conjuntos de datos que permiten entrenar modelos de IA.
Mediante Replicator, SynthAI puede acceder a sus potentes funciones de aleatorización para variar los tamaños y ubicaciones de defectos, cambiar la iluminación, el color, la textura y más para desarrollar un conjunto de datos robusto.
Una vez que los datos se generan con Replicator, se pueden ejecutar a través de un modelo de detección de defectos para el entrenamiento inicial. Esto permite a los ingenieros de GWE probar e iterar rápidamente en modelos, lo que requiere solo un pequeño conjunto de datos para comenzar.
«Esto te brinda visibilidad antes en la fase de diseño, y puede acortar el tiempo de comercialización, lo cual es muy importante», dijo Greenberg.
Comienza a usar NVIDIA Omniverse Replicator.