Gebhardt интегрирует AIoT и пограничную аналитику для бесшовной операционной гармонии

IoT и AI — отдельные технологические тренды, которые оба волнуют в промышленности. IoT может соединять устройства вместе, давая и получая сигналы как нервная система. В противовес, AI может действовать как мозг, используя данные для принятия обоснованных решений, управляющих общей системой. Когда они объединены вместе, двое способны доставлять интеллектуальные, соединяющие системы, которые могут самоисправляться и самоисцеляться — образуя то, что мы называем Искусственным интеллектом вещей (AIoT).

Конвенциональные IoT-технологии, такие как облачные вычисления и машина-машина (M2M) коммуникация, позволили производителям выполнить три ключевые задачи: соединить станки, хранить данные и сделать эти данные значимыми. Теперь, с внедрением AIoT, они могут получить пользу от четвертой способности — действовать.

Однако, чтобы сделать AIoT реализуемым, производителям нужна система управления данными, способная поддерживать быстрое принятие решений. Хотя облачное хранение возможно, анализ данных ближе к их источнику — на периферии — выводит AIoT на следующий уровень.

Оптимизированное производство

Чтобы раскрыть силу AI, решения должны приниматься с минимально возможной задержкой. Если AI-система получает оповещение о том, что есть неисправность станка, или скорость или паттерн движения станка должны быть изменены для более продуктивных операций, она может действовать на эти инсайты немедленно и остановить или изменить производство. Интегрируя AI-систему на периферии вместо облака, производители могут раскрыть ценность ультра-низкой задержки, позволяя станкам выключаться максимально быстро и меньше продуктов повреждаются или оказываются дефектными.

Чтобы интегрировать AIoT на периферии, лидеры отрасли должны сначала построить AI-модель офлайн. Затем они должны обучить модель, используя ранее сохраненные наборы данных, пока она не соответствует требованиям, прежде чем экспортировать и применять онлайн с новыми живыми данными.

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

Вход пограничной аналитики

Чтобы сделать данные понятными, они должны быть обработаны перед тем, как их сможет использовать AIoT. Вот где вступает пограничная аналитика. В качестве примера, платформа Crosser — это платформа низкокодового программного обеспечения для потоковой аналитики, автоматизации и интеграции для любой периферии, on-premise или облака. Цель — убрать сложность, упростить разработку и позволить не-программистам инновировать быстрее с драматически более низкой общей стоимостью владения.

Система, такая как платформа Crosser, может помочь подготовить данные рядом способов перед тем, как они достигнут AIoT. Например, она может гармонизировать данные от широкого разнообразия станков на заводском полу, которые могут быть в разных форматах, так как они пришли из множественных источников.

Данные из разных источников и форматов агрегируются платформой через регулярные интервалы. Кроме того, если источники данных имеют разные частоты дискретизации, платформа может заполнить промежуточные значения, так что модели могут быть обновлены новыми данными от всех датчиков в каждом обновлении. Она также может создавать разные типы окон над временными рядами данных.

Платформа также может использоваться для извлечения признаков. В зависимости от используемой модели, дополнительные признаки могут нуждаться в создании из сырых данных. Это может быть, например, взятие вибрационных данных и конвертация их из временной области в частотную. Все эти шаги оптимизируют данные перед тем, как они достигнут AIoT.

Пример Gebhardt

Вот как платформа Crosser позволила производителю решений для автоматизации складов Gebhardt Intralogistics Group, Зинсхайм, Германия, внедрить стратегию AIoT. Gebhardt производит интеллектуальные шаттлы для быстрого перемещения контейнеров по складу. Они искали решение для обнаружения аномалий для выявления операционных неисправностей, вызванных вибрациями на шаттле, чтобы минимизировать затраты на обслуживание.

Используя Flow Studio Crosser, Gebhardt смог обрабатывать, гармонизировать и фильтровать данные в реальном времени на периферии, а затем использовать AI для обучения на собранных данных для внедрения предиктивного обслуживания для увеличения доступности станков и продления срока службы активов.

Истинно, что машинный интеллект обладает большой силой, но другие поддерживающие технологии могут помочь раскрыть его полный потенциал. Лидеры отрасли, интегрирующие AIoT на периферии, могут получить выгоды эффективной и реактивной системы управления — оптимизируя процессы быстро.