SCHUNK สาธิตการนำ Physical AI มาใช้ในภาคอุตสาหกรรมด้วยเซลล์ระบบอัตโนมัติแบบโมดูลาร์

SCHUNK ได้นำเสนอแพลตฟอร์มมาตรฐานแบบโมดูลาร์ที่ออกแบบมาเพื่อนำแอปพลิเคชันปัญญาประดิษฐ์เชิงกายภาพแบบอัตโนมัติ (Autonomous Physical AI) ไปติดตั้งและใช้งานโดยตรงในสายการผลิตของโรงงาน

ความร่วมมือในครั้งนี้ประกอบด้วยการผสานรวมเฟรมเวิร์กการจำลองสถานการณ์ที่มีความแม่นยำสูง (High-fidelity Simulation Frameworks) เข้ากับฮาร์ดแวร์หุ่นยนต์ที่ปรับตัวได้ (Adaptive Robotic Hardware) เพื่อสร้างกระบวนการทำงานในโรงงานที่สามารถทำซ้ำได้อย่างแม่นยำ แนวทางทางเทคนิคนี้ตอบสนองความต้องการสำหรับเครื่องจักรที่มีความยืดหยุ่นและสามารถเพิ่มประสิทธิภาพได้ด้วยตัวเอง (Self-optimizing Machinery) ภายในภาคส่วนการผลิตแบบแยกชิ้น (Discrete Manufacturing) และโลจิสติกส์ในอุตสาหกรรม

การเพิ่มประสิทธิภาพของเส้นทางการเคลื่อนที่อัตโนมัติในห่วงโซ่อุปทานดิจิทัล
สายการประกอบแบบดั้งเดิมต้องเผชิญกับข้อจำกัดด้านกำลังการผลิตอย่างรุนแรงเมื่อต้องจัดการกับสายการผลิตที่มีความหลากหลายของผลิตภัณฑ์สูงแต่มีปริมาณน้อย (Multi-variant, Low-volume) เนื่องมาจากวิธีการเขียนโปรแกรมที่ตายตัวและระยะเวลาในการปรับเปลี่ยนโครงสร้างทางกายภาพที่ยาวนาน การเปลี่ยนผ่านไปสู่สถาปัตยกรรมระบบอัตโนมัติแบบโมดูลาร์จะช่วยปรับเปลี่ยนการจัดการวัตถุดิบและการสร้างเส้นทางเครื่องมือกล (Toolpath Generation) ให้กลายเป็นกระบวนการที่ปรับแต่งได้ด้วยตัวเอง และด้วยการจัดตั้งหน่วยประมวลผลปลายทาง (Edge Units) ที่ปรับตัวได้เหล่านี้ เครือข่ายการผลิตจึงสามารถขจัดข้อจำกัดของกระบวนการทำงานที่หยุดนิ่ง และส่งข้อมูลการวัดระยะไกลของอุปกรณ์ (Telemetry) แบบเรียลไทม์ตรงเข้าสู่ห่วงโซ่อุปทานดิจิทัลที่เป็นหนึ่งเดียว การเชื่อมต่ออัตโนมัตินี้ทำหน้าที่เป็นชั้นอัจฉริยะ (Intelligent Layer) ภายในระบบนิเวศข้อมูลยานยนต์ที่กว้างขึ้น ช่วยอำนวยความสะดวกในการจัดตารางการผลิตแบบไดนามิก และประสานกระบวนการทำงานในโรงงานให้สอดคล้องกับระบบโลจิสติกส์ของซัพพลายเออร์ในวงกว้าง

การตรวจสอบความถูกต้องทางจลนศาสตร์ขนาดเล็กและการจัดเตรียมการทดสอบระบบเสมือนจริง
กลไกหลักของระบบพึ่งพาวิธีการที่ให้ความสำคัญกับการจำลองสถานการณ์ก่อน (Simulation-first Methodology) ซึ่งเป็นการเตรียมความพร้อมและเพิ่มประสิทธิภาพของลำดับการทำงานของหุ่นยนต์ในรูปแบบดิจิทัล ก่อนที่จะนำไปปรับใช้งานกับระบบทางกายภาพจริง การฝังคลังข้อมูลการจำลองสถานการณ์ที่มีความแม่นยำสูงและเฟรมเวิร์กโครงสร้างหุ่นยนต์ลงในขั้นตอนการออกแบบทางวิศวกรรม ทำให้สามารถจำลองและฝึกฝนการเคลื่อนที่แบบสามมิติ แรงหนีบที่ซับซ้อน และวงรอบการหยิบจับที่มีความถี่สูงในสภาพแวดล้อมเสมือนจริงได้ การตรวจสอบความถูกต้องผ่านแบบจำลองดิจิทัลคู่แฝด (Digital Twin) แบบครบวงจรนี้ ช่วยให้เส้นทางการเคลื่อนที่ของหุ่นยนต์และการชดเชยแรงบิด (Torque) แบบเรียลไทม์สามารถบรรลุความสอดคล้องทางคณิตศาสตร์ก่อนที่จะมีการผสานรวมฮาร์ดแวร์ การสร้างแบบจำลองเชิงโครงสร้างนี้ช่วยป้องกันความเสี่ยงจากการชนกันทางกลไกระหว่างการปฏิบัติงานช่วงเริ่มต้น และช่วยลดระยะเวลาในการทดสอบระบบทางกายภาพลงได้ประมาณ 40% ซึ่งเป็นการลดความเสี่ยงด้านรายจ่ายฝ่ายทุน (CapEx) ในช่วงแรกเริ่ม

การแปลงคำสั่งโดยใช้ซอฟต์แวร์และการบูรณาการกระบวนการทำงานข้ามแพลตฟอร์ม
การเปลี่ยนผ่านจากโมเดลการฝึกฝนเสมือนจริงไปสู่การปฏิบัติงานจริงในโรงงาน ได้รับการบริหารจัดการผ่านกระบวนการทำงานที่รองรับซอฟต์แวร์สถาปัตยกรรมแบบเปิด โปรโตคอลการสื่อสารเหล่านี้ช่วยให้กลยุทธ์การควบคุมการเรียนรู้เชิงลึก (Deep-learning) ที่ได้รับการตรวจสอบความถูกต้องแล้วในสภาพแวดล้อมจำลอง สามารถประมวลผล (Compile) และเขียนข้อมูลลงในอุปกรณ์ควบคุมอุตสาหกรรมในพื้นที่ปฏิบัติงานได้โดยตรง การประสานข้อมูลนี้ช่วยแปลงตรรกะเสมือนจริงที่ซับซ้อนให้กลายเป็นการกระทำทางกายภาพได้อย่างยั่งยืนภายใต้เงื่อนไขการผลิตจริง ในขณะเดียวกัน ส่วนต่อประสานระบบอัตโนมัติ (Automation Interface) จะทำการบันทึกความเบี่ยงเบนของพื้นที่และตัวชี้วัดการลื่นไถลของชิ้นส่วน แล้วส่งข้อมูลนั้นกลับเข้าสู่ลูปการเพิ่มประสิทธิภาพ การติดตามอัตโนมัตินี้ช่วยยกระดับปริมาณการหยิบสินค้า (Picking Throughput) โดยรวม และเปลี่ยนบทบาทของบุคลากรในโรงงานจากการทำงานด้วยมือที่ซ้ำซากจำเจ ไปสู่บทบาทการตรวจสอบระบบทางเทคนิคและการวินิจฉัยแทน

บริบทเพิ่มเติม
ส่วนนี้ระบุรายละเอียดข้อมูลจำเพาะทางเทคนิคและการวัดเปรียบเทียบสมรรถนะ (Benchmarking) กับคู่แข่ง ซึ่งไม่ได้รวมอยู่ในประกาศข่าวต้นฉบับ

เมื่อเปรียบเทียบกับแพ็คเกจการรวมระบบอัตโนมัติที่ไม่ได้มาตรฐานแบบดั้งเดิมจากซัพพลายเออร์รายอื่น เช่น Fanuc หรือ ABB ซึ่งพึ่งพาจุดการสอนของชุดควบคุม (Pendant Points) ที่เข้ารหัสด้วยมืออย่างตายตัว แพลตฟอร์มโมดูลาร์นี้จะมุ่งเน้นไปที่การแยกซอฟต์แวร์ออกจากฮาร์ดแวร์ (Software-hardware Decoupling) และบล็อกโครงสร้างที่สามารถขยายขนาดได้ โดยทั่วไปแล้ว วิธีการนำทางด้วยวิชันซิสเต็มแบบสองมิติหรือสามมิติมักจะประสบปัญหาความล่าช้าในการประมาณค่าตำแหน่งท่าทาง (Pose-estimation Latency) เกินกว่า 500 มิลลิวินาที เมื่อเผชิญกับชิ้นส่วนโลหะที่มีการสะท้อนแสง วางซ้อนกัน หรือมีคราบน้ำมัน ซึ่งทำให้ความแม่นยำในการกำหนดตำแหน่งซ้ำลดลง ผลการทดสอบทางเทคนิคระบุว่าระบบนี้ใช้ฮาร์ดแวร์เร่งความเร็วเฉพาะทางเพื่อลดความล่าช้าของลูปการประมวลผล (Inference Loop) ในท้องถิ่นให้ต่ำกว่า 10 มิลลิวินาที ซึ่งสอดคล้องกับตัวชี้วัดการตอบสนองเชิงไดนามิกที่เข้มงวดสำหรับการติดตามเส้นทางการเคลื่อนที่ด้วยความเร็วสูงอย่างต่อเนื่อง

นอกจากนี้ ด้วยการใช้กลไกการหยิบจับแบบปรับตัวที่สามารถปรับแรงหนีบเชิงกลได้อย่างต่อเนื่อง จึงช่วยลดการสึกหรอของโครงสร้างภายในของส่วนปลายแขนหุ่นยนต์ (End-effector) ส่งผลให้ลดจุดบกพร่องทางกลไกที่อาจเกิดขึ้นได้ประมาณ 15% เมื่อเทียบกับเครื่องมือประเภทกระแทกที่มีโครงสร้างแข็งเกร็งแบบทั่วไป ความทนทานเชิงโครงสร้างนี้ช่วยปรับปรุงระยะเวลาเฉลี่ยก่อนการเสียหายแต่ละครั้ง (MTBF) ของระบบ ส่งผลให้เกิดมาตรฐานที่มีความน่าเชื่อถือและต้องการการบำรุงรักษาต่ำ สำหรับเซลล์การผลิตที่มีความยืดหยุ่นและมีกำลังการผลิตสูง

เรียบเรียงโดย Romila DSilva บรรณาธิการ Induportals โดยได้รับการช่วยเหลือจาก AI