Líder industrial, a Siemens está acelerando o desenvolvimento de modelos de detecção de defeitos com a geração de dados sintéticos 3D do NVIDIA Omniverse, os mais atuais ganhos de manufatura de uma parceria estendida para o metaverso industrial que visa impulsionar os digital twins.
As plataformas Siemens Xcelerator e NVIDIA Omniverse estão criando conexões para permitir digital twins completos e de fidelidade de design total que conectem sistemas de AI definidos por software do edge ao cloud.
O maior fabricante industrial da Europa gerencia muitas peças móveis, por isso a detecção de defeitos orientada por AI promete aumentar a garantia de qualidade e o rendimento em grande escala.
Porém, a criação de modelos de AI exige grandes quantidades de dados, e a produção de conjuntos de dados rotulados para treinar modelos para detectar defeitos é um processo demorado e caro. Na maioria dos casos, esses dados podem não cobrir todos os tipos de defeitos ou suas localizações.
Usando o NVIDIA Replicator e a tecnologia Siemens SynthAI, podemos gerar, de modo processual, conjuntos de imagens fotorrealistas usando os modelos digitais de nossos produtos e recursos de produção e um pipeline de treinamento integrado para treinar modelos prontos para uso. Isso acelera nosso tempo de configuração para modelos de inspeção de AI em um fator de cinco. — Maximilian Metzner, GWE.
Como resultado, a Siemens começou a explorar o NVIDIA Omniverse Replicator executado em instâncias do Amazon G5 para geração de dados sintéticos, acelerando seus tempos de desenvolvimento de modelos de AI de “meses” para “dias”, de acordo com a empresa.
Os dados sintéticos turbinam o desenvolvimento de modelos. É o impulsionamento de conjuntos de dados para tudo, desde o trabalho de braço robótico da empresa alemã Festo até os esforços da Amazon Robotics usando dados sintéticos para treinar robôs para identificar pacotes.
Na Siemens, a geração de dados sintéticos está sendo usada, além da detecção de defeitos, para auxiliar em áreas como coleta robótica de lixeiras, monitoramento de segurança, inspeções de soldagem e fiação e kits de verificação de peças.
“Quanto melhores os dados sintéticos, menos dados reais você precisa. Obter dados reais é um incômodo, por isso é importante reduzi-los o máximo possível sem sacrificar a precisão”, disse Alex Greenberg, diretor de simulação avançada de robótica, Siemens Digital Industries Software.
Inspecionando Dispositivos de Controle de Movimentos
A Siemens Digital Industries Software produz inversores, controladores de direção e motores para mais de 30.000 clientes em todo o mundo. A fábrica de eletrônicos líder GWE, sediada em Erlangen, na Alemanha, vem trabalhando na visão computacional habilitada para AI para detecção de defeitos usando métodos personalizados e diferentes modos de geração de dados sintéticos.
Porém, os métodos comuns de geração de dados sintéticos não eram suficientes para a robustez pronta para produção em alguns casos de uso, o que gerava uma necessidade de aquisição e rotulagem de dados reais, o que poderia levar meses.
A GWE trabalhou com a Siemens Digital Industries Software da Siemens para encontrar uma maneira melhor de produzir conjuntos de dados.
“Para muitos casos de uso industriais, os produtos estão mudando rapidamente. Os materiais estão mudando rapidamente. Eles precisam ser automatizados de maneira rápida e sem muito conhecimento do engenheiro do endpoint”, disse Zac Mann, líder de simulação de robótica avançada, Siemens Digital Industries Software.
Identificando Defeitos em Circuitos Impressos
O desafio na GWE é identificar defeitos logo no início do ramp-up de novos produtos e linhas de produção. Esperar que erros reais aconteçam apenas para aprimorar os conjuntos de dados de treinamento não é uma opção.
Uma área de foco para defeitos em um circuito impresso (PCB – Printed Circuit Board) está examinando a pasta térmica aplicada a alguns componentes no PCB para ajudar a transferir o calor rapidamente para o dissipador de calor conectado, longe dos componentes.
Para identificar defeitos no PCB, a equipe do Siemens Digital Industries Software adotou outra abordagem contando com dados sintéticos impulsionados pelo Omniverse Replicator.
Com o Omniverse, uma plataforma para construir pipelines 3D personalizados e simular mundos virtuais, a Siemens pode gerar cenários e imagens muito mais realistas facilmente, auxiliados por renderizações e materiais baseados na física habilitados pela tecnologia RTX.
Isso permite que a Siemens se mova de maneira mais rápida e fluida no desenvolvimento para fechar a lacuna entre simulação e realidade, disse Mann.
“Usando o Omniverse Replicator e a tecnologia Siemens SynthAI, podemos gerar, de modo processual, conjuntos de imagens fotorrealistas usando os modelos digitais de nossos produtos e recursos de produção e um pipeline de treinamento integrado para treinar modelos prontos para uso. Isso acelera o tempo de instalação de modelos de inspeção de AI em um fator de cinco e aumenta significativamente sua robustez”, disse Maximilian Metzner, líder global de sistemas de manufatura autônoma para eletrônicos, GWE.
Usando Randomização com SynthAI
Os engenheiros da GWE agora podem pegar um modelo CAD 3D do PCB e importá-lo para a ferramenta SynthAI da Siemens. A SynthAI foi projetada para criar conjuntos de dados para treinamento de modelos de AI.
Aproveitando o Replicator, a SynthAI pode acessar seus poderosos recursos de randomização para variar os tamanhos e locais dos defeitos, alterar iluminação, cor, textura e muito mais para desenvolver um conjunto de dados robusto.
Depois que os dados são gerados com o Replicator, eles podem ser executados em um modelo de detecção de defeitos para treinamento inicial. Isso permite que os engenheiros da GWE testem e façam iterações rapidamente nos modelos, exigindo apenas um pequeno conjunto de dados para começar.
“Isso dá a você visibilidade mais cedo da fase de design, e pode reduzir o tempo de comercialização, o que é muito importante”, disse Greenberg.
Comece a usar o NVIDIA Omniverse Replicator.