«Искусственный интеллект вещей», периферийная аналитика создает гармонию в Gebhardt

Интернет вещей и искусственный интеллект — это отдельные технологические тенденции, которые производят фурор в промышленности. Интернет вещей может соединять устройства вместе, подавая и получая сигналы, как нервная система. Напротив, ИИ может действовать как мозг, используя данные для принятия обоснованных решений, которые контролируют всю систему. Объединенные вместе, они способны создавать интеллектуальные, соединяющие системы, которые могут самокорректироваться и самовосстанавливаться, образуя то, что мы называем искусственным интеллектом вещей (AIoT).

Традиционные технологии Интернета вещей, такие как облачные вычисления и межмашинное взаимодействие (M2M), позволили производителям решить три ключевые задачи:подключить машины, сохранить данные и сделать эти данные значимыми. Теперь, с внедрением AIoT, они могут воспользоваться четвертой возможностью — действовать.

Однако, чтобы сделать AIoT возможным, производителям нужна система управления данными, которая может поддерживать быстрое принятие решений. Хотя облачное хранилище возможно, анализ данных ближе к их источнику — на границе — выводит AIoT на новый уровень.

Оптимизированное производство

Чтобы раскрыть всю мощь ИИ, решения должны приниматься с минимально возможной задержкой. Если система искусственного интеллекта получает предупреждение о неисправности машины или о необходимости изменить скорость или схему движения машины для повышения производительности, она может немедленно отреагировать на эти данные и остановить или изменить производство. Интегрируя систему искусственного интеллекта на периферии, а не в облаке, производители могут раскрыть ценность сверхмалой задержки, позволяя выключать машины как можно быстрее и уменьшая количество поврежденных или дефектных продуктов.

Чтобы интегрировать AIoT на периферии, лидеры отрасли должны сначала создать модель ИИ в автономном режиме. Затем они должны обучить модель, используя ранее сохраненные наборы данных, пока она не будет соответствовать требованиям, прежде чем экспортировать и применять ее в Интернете с новыми оперативными данными.

Однако применение модели к данным в реальном времени в онлайн-сценарии сильно отличается от ее тестирования на сохраненных данных, которые уже были отсортированы на этапе обучения. Данные в реальном времени не фильтруются и не классифицируются, и каждый набор может поступать в разное время, создавая информационный хаос для AIoT.

Пограничная аналитика

Чтобы данные имели смысл, их необходимо обработать, прежде чем они смогут быть использованы AIoT. Вот где на помощь приходит периферийная аналитика. Например, Crosser Platform — это программная платформа с низким кодом для потоковой аналитики, автоматизации и интеграции для любой периферии, локальной или облачной среды. Цель состоит в том, чтобы устранить сложность, упростить разработку и дать возможность непрограммистам быстрее внедрять инновации при значительном снижении совокупной стоимости владения.

Такая система, как Crosser Platform, может помочь подготовить данные несколькими способами, прежде чем они попадут в AIoT. Например, он может согласовывать данные с самых разных машин в производственных цехах, которые могут быть в разных форматах, поскольку они поступают из разных источников.

Данные из разных источников и форматов агрегируются платформой через равные промежутки времени. Кроме того, если источники данных имеют разную частоту дискретизации, то платформа может заполнять промежуточные значения, чтобы модели могли обновляться новыми данными со всех датчиков при каждом обновлении. Он также может создавать различные типы окон для данных временных рядов.

Платформа также может быть использована для извлечения признаков. В зависимости от используемой модели может потребоваться создание дополнительных функций из необработанных данных. Это может быть, например, получение данных о вибрации и преобразование их из временной области в частотную область. Все эти шаги оптимизируют данные до того, как они попадут в AIoT.

Пример Гебхардта

Вот как платформа Crosser позволила производителю решений для автоматизации склада Gebhardt Intralogistics Group, Зинсхайм, Германия, реализовать стратегию AIoT. Gebhardt производит интеллектуальные шаттлы для быстрого перемещения контейнеров по складу. Компания искала решение для обнаружения аномалий, позволяющее выявлять сбои в работе, вызванные вибрациями шаттла, и минимизировать затраты на техническое обслуживание.

Используя Crosser Flow Studio, Гебхардт смог обрабатывать, согласовывать и фильтровать данные в режиме реального времени на периферии, а затем использовать ИИ для извлечения уроков из собранных данных, чтобы внедрить профилактическое обслуживание для повышения доступности машин и продления срока службы активов.

Это правда, что машинный интеллект обладает огромной силой, но другие вспомогательные технологии могут помочь раскрыть весь его потенциал. Лидеры отрасли, которые интегрируют AIoT на периферии, могут воспользоваться преимуществами эффективной и быстродействующей системы управления, оптимизируя процессы быстро.