Hoe automatisering, machine learning en blockchain de toekomst van de elektronicaproductie bepalen

Industrie 4.0 is gebaseerd op intelligente automatisering voor de vervaardiging van elektronica. Automatisering neemt steeds verder toe en is overal aanwezig, van de rand tot en met de cloud: in sensoren, robots en cobots, programmeerbare logische controllers (PLC’s) en andere apparatuur. Halfgeleiderwafers, IC’s, passieve componenten, verpakking evenals elektronische systemen voor consumenten, duurzame energie, auto’s, medische, industriële, militaire en ruimtevaarttoepassingen zijn voor hun productie afhankelijk van intelligente automatisering. Unified manufacturing execution systems (MES) zorgen voor real-time monitoring, regeling, tracking en documentatie van de hele productieketen, van grondstoffen tot afgewerkte goederen.

De cyberfysieke geautomatiseerde systemen in Industrie 4.0 reiken verder dan de traditionele productieactiviteiten en maken gebruik van verschillende vormen van machine learning (ML) — variërend van deep reinforcement learning (diep versterkend leren) in de cloud tot tinyML aan de rand — voor flexibele productie, voortdurende verbetering en een constante hoge kwaliteit. Het aantal lagen van connectiviteit neemt steeds meer toe en de combinatie van edge computing, het Industrial Internet of Things (IIoT) en cloud computing vergroot de uitdagingen op het gebied van cyberbeveiliging. Blockchain is sinds kort een factor als het gaat om een uitgebreid en veilig beheer van de toeleveringsketen.

In dit artikel wordt gekeken naar de belangrijkste automatiseringstrends in de elektronicaproductie, waaronder de toenemende connectiviteitslagen, de groeiende behoefte aan cyberbeveiliging, de gespecialiseerde implementaties van ML die worden ingezet en hoe traceerbaarheid en MES real-time productiecijfers en analytics ondersteunen. Daarnaast worden enkele technologieën behandeld die nodig zijn om de belofte van Industrie 4.0 voor ‘mass customization’ met hoge kwaliteit en lage kosten volledig te realiseren, en hoe DigiKey de behoeften van ontwerpers van automatiseringssystemen ondersteunt met een breed scala aan oplossingen. Het artikel eindigt met een blik op hoe blockchain wordt gebruikt om zeer veilige, ondernemingsbrede systemen voor supply chain management in te zetten.

Toenemende lagen van connectiviteit

Het IIoT in Industrie 4.0 omvat meer bekabelde en draadloze netwerklagen voor sensornetwerken, autonome mobiele robots (AMR’s) en andere systemen. IO-Link is bijvoorbeeld ontwikkeld om een vereenvoudigde bekabelde netwerkverbinding tot stand te brengen voor het enorme aantal sensoren, actuatoren, indicatoren en andere voorheen niet-aangesloten randapparatuur met netwerken van een hoger niveau, zoals Ethernet IP, Modbus TCP/IP en PROFINET. Met IO-Link worden de in- en uitgangen (IO’s) van deze apparaten omgezet in het IO-Link-protocol voor seriële connectiviteit zoals gedefinieerd in IEC 61131-9 met een enkele 4- of 5-aderige niet-afgeschermde kabel zoals gedefinieerd in IEC 60974-5-2 (afbeelding 1). IO-Link biedt niet alleen een nieuwe netwerklaag om gedetailleerdere informatie over fabrieksprocessen vast te leggen, maar ondersteunt ook snelle implementatie en configuratie, bewaking en diagnose op afstand van aangesloten apparaten ter ondersteuning van de lijn- en procesveranderingen die nodig zijn voor mass customization in Industrie 4.0-fabrieken.

Afbeelding 1: IO-Link kan worden gebruikt om sensoren en andere apparaten met verschillende interfaces aan te sluiten op Ethernet-, PROFINET- of Modbus-netwerken. (Bron afbeelding: Banner Engineering)

Ook draadloze IIoT-apparaten — van sensoren tot en met robots — dragen bij tot de groeiende netwerklagen. In moderne fabrieken worden verschillende draadloze protocollen gebruikt, zoals onder andere wifi, 5G en LTE. Zo gebruiken AMR’s bijvoorbeeld een combinatie van on-board sensoren en wificonnectiviteit om hun omgeving te kunnen begrijpen, mogelijke obstakels te identificeren en zich veilig en efficiënt van plaats naar plaats te bewegen. Collaboratieve robots (cobots) zijn ontworpen om met mensen samen te werken en zo de operationele efficiëntie te verbeteren. Deze vereisen vaak draadloze connectiviteit. In sommige gevallen verplaatsen AMR’s cobots naar behoefte van taak naar taak (afbeelding 2).

Afbeelding 2: Een AMR (onder) kan van plek naar plek navigeren met behulp van een combinatie van ingebouwde sensoren en draadloze connectiviteit, en een cubit (boven) oppakken en naar een nieuwe werkplek verplaatsen. (Bron afbeelding: Omron)

Toenemende cybergevaren

De toenemende gelaagdheid van industriële netwerken, in combinatie met het enorme aantal aangesloten apparaten, leidt tot een groeiend aantal beveiligingsrisicovectors en toenemende cybergevaren. Er zijn verschillende industriële en IoT-specifieke beveiligingsnormen en -methodologieën ontwikkeld, waaronder International Electrotechnical Commission (IEC) 62443 en de Security Evaluation Standard for IoT Platform (SESIP).

IEC 62443 is een set normen die is ontwikkeld door het comité van de International Society of Automation (ISA-99) en is goedgekeurd door de IEC. IEC 62443 is een ruim 800 bladzijden tellende set normen voor industriële automatiserings- en controlesystemen (IACS) in 14 delen en vier niveaus (afbeelding 3). De belangrijkste delen die de productontwikkeling en beveiligingseisen voor componenten bepalen zijn:

• IEC 62443-4-1: Lifecycle vereisten voor de ontwikkeling van veilige producten. Dit deel definieert een levenscyclus voor veilige productontwikkeling, met inbegrip van de definitie van initiële vereisten, veilig ontwerp en veilige implementatie, verificatie en validatie, beheer van defecten en patches, en het einde van de levensduur.
• IEC 62443-4-2: Veiligheid voor industriële automatiserings- en controlesystemen: Technische veiligheidseisen voor IACS-componenten. Dit deel specificeert veiligheidsmogelijkheden waarmee een component bedreigingen voor een bepaald beveiligingsniveau kan beperken.

Afbeelding 3: IEC 62443 is een uitgebreide reeks IACS-beveiligingsnormen. (Bron afbeelding: IEC)

SESIP wordt gepubliceerd door het GlobalPlatform en definieert een gemeenschappelijke structuur voor de evaluatie van de beveiliging van verbonden producten. Deze norm richt zich tevens op IoT-specifieke problemen op het gebied van compliance, beveiliging, privacy en schaalbaarheid. SESIP geeft duidelijke definities van beveiligingsfunctionaliteit op componenten en platforms in de vorm van functionele beveiligingsvereisten (SFR’s). Het biedt ook een krachtmaatstaf die de robuustheid tegen aanvallen meten in de vorm van zogenaamde SESIP-niveaus van 1 tot 5, waarbij 1 staat voor zelfcertificering en 5 voor uitgebreide tests en certificering door derden.

ML van de cloud tot en met de rand

ML is een belangrijke factor voor intelligente automatisering en ondersteunt voortdurende procesverbeteringen en hoogwaardige producten. Het gebruik van neurale netwerken is een welbekende ML-techniek in Industrie 4.0. Deze techniek wordt steeds vaker aangevuld met deep reinforcement learning in de cloud. Deep reinforcement learning voegt een kader van doelgerichte algoritmen toe aan de kern van een neuraal netwerk. Aanvankelijk was reinforcement learning beperkt tot herhaalbare omgevingen zoals games, maar tegenwoordig kunnen algoritmen ook meer ambigue omgevingen aan in de reële wereld. In de toekomst bereiken geavanceerde implementaties van reinforcement learning mogelijk kunstmatige algemene intelligentie.

ML bevindt zich niet alleen in de cloud, maar reikt zelfs tot aan de rand van de fabriek. De uitbreidingsslots in industriële pc’s en programmeerbare controllers op de fabrieksvloer bevatten steeds vaker ML- en AI-uitbreidingskaarten voor intelligente procesbesturing.

Tiny machine learning (tinyML) is geoptimaliseerd voor gebruik in toepassingen met een laag stroomverbruik. Het gebruik van tinyML in sensortoepassingen neemt snel toe. Een voorbeeld van een tinyML-toepassing is IIoT-sensoranalyse in randapparatuur die wordt gevoed door batterijen of energy harvesting. Arduino biedt een Tiny Machine Learning Kit die een Arduino Nano 33 BLE Sense board bevat met een MCU en diverse sensoren die beweging, versnelling, rotatie, geluiden, gebaren, nabijheid, kleur, lichtintensiteit en beweging kunnen monitoren (afbeelding 4). Een OV7675-cameramodule en een Arduino-shield zijn ook inbegrepen. De ingebouwde MCU kan diepe neurale netwerken implementeren op basis van het TensorFlow Lite open-source deep learning framework voor on-device inferentie.

Afbeelding 4: De Tiny Machine Learning Kit van Arduino is ontworpen voor het ontwikkelen van IIoT-sensortoepassingen. (Bron afbeelding: DigiKey)

Real-time metrics en analytics

Real-time metrics en analytics zijn essentiële aspecten van intelligente automatisering. Traceerbaarheid 4.0 combineert productzichtbaarheid, zichtbaarheid van de toeleveringsketen en productzichtbaarheid van eerdere generaties traceerbaarheid en biedt een volledige geschiedenis van alle aspecten van een product. Bovendien omvat het alle machine- en procesparameters en ondersteunt het de OEE-metingen (overall equipment effectiveness) die de productieprocessen optimaliseren (afbeelding 5).

Afbeelding 5: Traceerbaarheid 4.0 is een uitgebreide implementatie die de uiteenlopende vereisten van Industrie 4.0 ondersteunt. (Afbeelding: Omron)

Traceerbaarheid is van vitaal belang in vele industrieën, van de productie van medische hulpmiddelen tot en met de auto- en luchtvaartindustrie. De wettelijke voorschriften vereisen voor medische hulpmiddelen een uitgebreide traceerbaarheid. Auto’s en luchtvaartsystemen kunnen tienduizenden onderdelen bevatten om te traceren. Het gaat hier niet alleen om onderdelengeschiedenis, maar traceerbaarheid omvat ook het bijhouden van de geometrische dimensionering en toleranties (GD&T) van afzonderlijke onderdelen. GD&T maakt precisiefabricage en de installatie van onderdelen op basis van hun exacte GD&T-waarden mogelijk, ter ondersteuning van zeer nauwkeurige assemblages voor industrieën zoals de lucht- en ruimtevaart en de automobielindustrie.

Traceerbaarheid kan de nauwkeurigheid en efficiëntie van het terugroepen van producten verbeteren. Zo kan de fabrikant alle betrokken producten en de leverancier(s) van eventuele gebrekkige onderdelen identificeren.

Corrigerende en preventieve maatregelen kunnen worden versneld door het gebruik van traceerbaarheid. Net als terugroepacties, stelt het kennen van de volledige herkomst van producten fabrikanten in staat om service- en onderhoudsactiviteiten voor producten in het veld efficiënt te sturen en te plannen.

Traceerbaarheid en MES

Unified MES-implementaties met traceerbaarheid kunnen een doorzoekbare database opleveren met alle informatie over afzonderlijke producten, inclusief ontwerpen ‘as-planned’ en resultaten ‘as-built’. Traceerbaarheid wordt bijvoorbeeld gebruikt om afzonderlijke componenten en materialen bij aankomst te volgen, zoals gegevens over inkomende kwaliteitstests, de locatie van de leverende fabriek etc., voordat de productie begint. MES verifieert die informatie op basis van het geplande ontwerp en voert die in de databases voor montagewerkzaamheden en werk in uitvoering in.

De door IIoT geleverde traceerbaarheidsgegevens in combinatie met MES ondersteunen de mass customization van producten in Industrie 4.0. MES zorgt dat de juiste materialen, processen en andere middelen op de juiste plaats zijn om de laagste productiekosten en de hoogste kwaliteit te garanderen. Ook kunnen MES en traceerbaarheid de naleving van overheidsvoorschriften combineren en aantonen, en indien vereist de gegevens gemakkelijk toegankelijk maken voor controleurs of anderen.

Blockchain

Een blockchain is een gedecentraliseerd, of gedistribueerd, digitaal grootboeksysteem om transacties tussen meerdere partijen op een fraudebestendige en verifieerbare manier vast te leggen. Alle transacties waarbij vertrouwen belangrijk is, zoals het beheer van de toeleveringsketen, zijn potentiële toepassingen voor blockchain. In een toeleveringsketen met veel deelnemers kan blockchain de efficiëntie van transacties verbeteren en transacties verifieerbaar en fraudebestendig maken. Twee voorbeelden van de voordelen van het gebruik van blockchain bij activiteiten in de toeleveringsketen zijn:

Vervanging van handmatige processen. Handmatige papieren processen die afhankelijk zijn van handtekeningen of andere vormen van fysieke verificatie kunnen mogelijk worden verbeterd met behulp van blockchain. De beperking is dat het universum van deelnemers aan het grootboek eindig en gemakkelijk identificeerbaar moet zijn. Een leveringsbedrijf met een voortdurend veranderende database van onbekende klanten is wellicht geen goede kandidaat voor blockchain. Daarentegen is een productiebedrijf met een eindige en langzaam veranderende groep vertrouwde leveranciers wel een goede kandidaat.

Versterking van de traceerbaarheid. Blockchain kan een goed hulpmiddel zijn om de transparantie van de toeleveringsketen te verbeteren en te voldoen aan de toenemende eisen op het gebied van regelgeving en consumenteninformatie. De blockchain kan bijvoorbeeld de ‘Drug Supply Chain and Security Act’ en het ‘unique device identifier’-mandaat van de U.S. Food and Drug Administration ondersteunen. In de automobiel- en andere industrieën kunnen leveranciers in de hele toeleveringsketen worden betrokken bij de uitvoering van terugroepacties. Blockchain kan hierbij een goed hulpmiddel zijn voor de uitvoering van de door de Amerikaanse ‘Automotive Industry Action Group’ gepubliceerde traceerbaarheidsrichtlijn.

Samenvatting

De intelligente automatisering die de basis vormt van Industrie 4.0 is afhankelijk van talrijke technologieën, waaronder een groeiend aantal netwerklagen met bekabelde en draadloze connectiviteit die leiden tot steeds complexere cyberbeveiligingsrisico’s. Daarnaast wordt machine learning geïmplementeerd van de rand tot en met de cloud voor real-time metrics en analytics, inclusief traceerbaarheid en unified MES. Tot slot wordt blockchaintechnologie geïntroduceerd ter ondersteuning van fraudebestendige en verifieerbare databanken.