Van AI World:waarom het gebruik van edge-gegevens veel energie vereist

Het kan je vergeven worden aan te nemen dat fabrikanten klaar zijn om hun verschillende productiesystemen open te breken en te beginnen met het benutten van de gegevens die erin vastzitten. De realiteit kan veel gecompliceerder zijn.

De problemen die zich voordeden bij het extraheren van gegevens uit de edge, werden onderzocht in een gesprek bij het haardvuur met Joseph Etris, technisch projectmanager bij Continental Automotive Systems, samen met John Auld, regionaal verkoopdirecteur bij Zededa, Inc. Ik had de gelegenheid om de sessie te modereren, deels van de recente AI World-conferentie in Boston.

Zie ook: Productie leidt het IoT-pakket

De Etris-eenheid bij Continental vervaardigt katalysatoren voor de automobielsector - een energie-intensieve taak. In 2018 gingen Etris en zijn team op zoek naar het vastleggen, analyseren en verminderen van het elektriciteitsverbruik en de bijbehorende emissies in het assortiment programmeerbare logische controllers (PLC's) van Siemens, die voor het eerst werden geïnstalleerd in de jaren negentig. De uitdaging, legde Etris uit, was het extraheren van de SCADA-gegevens uit de PLC's om te integreren met gegevens die afkomstig waren van de nieuwere elektrische sensoren.

Hoewel veel leveranciers beweren dat oudere industriële systemen gemakkelijk hun gegevens kunnen opgeven in een perfecte IoT-wereld, is dit verre van het geval, vertelt Etris. Verouderde productiesystemen zijn vaak niet ontworpen om open te zijn en zijn vaak niet geschikt voor netwerken.

Auld, die destijds Siemens vertegenwoordigde, werkte samen met het Continental-team om de PLC-gegevens te extraheren en realtime kalibratie te bieden. Bovendien worden de gegevens elke 10 minuten geüpload naar een cloudrepository op Amazon Web Services.

De uitdagingen waarmee Continental te maken kreeg, zijn symptomatisch voor de problemen die zich in het productielandschap voordoen, legt Auld uit. "Er zijn veel donkere gegevens in silo's binnen veel bedrijven." Dit brengt niet alleen technische uitdagingen met zich mee, maar ook organisatorische uitdagingen, aangezien meerdere teams aan boord moeten zijn met AI over IoT-inspanningen.

Het beheren van gegevensopslag in het AI- en IoT-tijdperk was een ander gebied dat door panelleden werd besproken. Veel organisaties zullen worstelen met groeiende hoeveelheden data die vanuit verschillende arrays van controllers en sensoren naar hun systemen worden gestreamd, en deze uiteindelijk in datameren plaatsen.

Fabrikanten moeten een gemeenschappelijke interfacelaag opzetten die gegevens van alle generaties productiesystemen kan extraheren en lezen, zei Auld. Bovendien moet de consistentie worden gewaarborgd, aangezien gegevens uit verschillende systemen verschillende betekenissen en drempels kunnen hebben. De uitdaging voor veel fabrikanten is dat ze veel afzonderlijke fabrieken hebben, elk met hun eigen initiatieven en normen.