Seagate Edge RX平台借助NVIDIA EGX将AI推理应用于工厂制造

Seagate Edge RX平台借助NVIDIA EGX将AI推理应用于工厂制造。

Seagate Technology每个季度都要交付数千万个硬盘驱动器。因此，保障每一个驱动器的质量至关重要，但这并非易事。

硬盘驱动器的生产过程尤为繁杂。例如，仅制造磁头就需要1400道工序，而且一些及其细微的差错就会导致产品瑕疵。

Seagate制造的硬盘驱动器比其他同行业的公司都多。Raghavan Srinivasan现任Seagate全球市场总监，他说：“犯错的代价很昂贵。一旦发生任何异常情况，都会直接导致后续收益的惨淡，而且在整个生产过程完成之前，我们无法得知是否存在异常。”

为了解决这个问题，Seagate正在通过基于GPU的AI 和机器学习，对记录磁头滑块图像进行异常监测，以便更及时地发现潜在问题。

来自合作伙伴的解决方案

起初，Seagate试图寻找一种产品，可以在高产量的制造环境中帮助进行基于图像的异常检测，但市场上没有类似功能的产品。随后，Seagate开始与NVIDIA和Hewlett Packard Enterprise讨论这项业务。

公司采取的第一步是了解有效的数据量。将这一想法付诸实践，需要一家每天能够处理1700万张图像的工厂，并以每秒20个位置进行推理。

Srinivasan 说：“这个速度就如同一架波音747飞机，以100倍声速飞离地面几英寸。”

在一年的时间里，这些公司构建了一套解决方案，可以捕获并分析磁头的图像，这些磁头仅仅是旋转磁盘表面上的分子。

Seagate将该解决方案部署在其一家工厂中的机器视觉缺陷检查系统上，该系统主要用于硬盘读写磁头的制造。Seagate还计划将该解决方案扩展到其他站点。

由于异常模式在不断变化，因此无法采用基于规则的传统AI系统，而需要深度学习的加持。

另外，Seagate了解在工厂之间来回移动如此多数据的带宽成本十分高昂，因此开发了一种并行参考架构，即Seagate Edge RX。这种架构将每个工厂都建立在计算“边缘”，从而使推理过程可以借助更少的计算资源完成。

数据科学家正在进行线下的深度学习模型训练，随后将提供更新后的模型。

Seagate赋予精密制造的无限可能

随着这项技术被融合进Seagate的所有制造过程中，Seagate希望通过提高效率和质量，使无尘室投资减少20％，制造吞吐时间减少10％，并获得高达300％的投资回报率 。

Srinivasan表示，有种种迹象表明，该项目最终将在质量上带来重大改进，为Seagate所有制造工厂的努力带来了可观的收益。

NVIDIA 和HPE带来的技术，在Seagate未来的发展中将发挥重要作用。这些技术包括搭载了NVIDIA T4 GPU（可在工厂现场实现数据采集和实时AI推理）的HPE Edgeline系统，以及搭载了NVIDIA V100 Tensor Core GPU（可用来进行AI训练）的HPE Apollo系统。NVIDIA EGX平台也可在这些系统上运行，帮助企业在边缘或数据中心安全地部署并管理AI工作负载。

Srinivasan表示：“ NVIDIA已成为AI和深度学习的代名词。”

Seagate发现了通过不同方向进行这项工作的巨大潜力。目前，该公司致力于将智能制造平台推广到其所有制造基地。Seagate还在计划探索该解决方案将如何影响其他制造过程。值得一提的是，Seagate还将探索基于物联网传感器流程记录工具的预测性维护。

对于其他制造商而言，好消息是Seagate不想独占所有的创新成果。Seagate已经发布了Seagate Edge RX并行参考架构，以便其他制造商可以在自己的制造环境中构建类似的图像异常检测解决方案。

Srinivasan说：“我们希望推动合作。因为我们发现，善用数据，就会获得很多改善整体制造环境的机会。”