'Artificial Intelligence of Things', edge-analyses zorgen voor harmonie bij Gebhardt

Het IoT en AI zijn afzonderlijke technologietrends die beide voor golven zorgen in de industrie. Het IoT kan apparaten met elkaar verbinden, signalen gevend en ontvangend als een zenuwstelsel. Daarentegen kan AI fungeren als een brein en gegevens gebruiken om weloverwogen beslissingen te nemen die het algehele systeem besturen. Wanneer ze worden samengevoegd, zijn de twee in staat om intelligente, verbindende systemen te leveren die zichzelf kunnen corrigeren en zichzelf kunnen genezen - wat we de Artificial Intelligence of Things (AIoT) noemen.

Conventionele IoT-technologieën zoals cloud computing en machine-to-machine (M2M) communicatie hebben fabrikanten in staat gesteld om drie belangrijke taken uit te voeren:machines verbinden, gegevens opslaan en die gegevens zinvol maken. Nu, met de introductie van AIoT, kunnen ze profiteren van een vierde mogelijkheid:handelen.

Om AIoT echter haalbaar te maken, hebben fabrikanten een gegevensbeheersysteem nodig dat snelle besluitvorming ondersteunt. Hoewel cloudopslag mogelijk is, brengt het analyseren van gegevens dichter bij de bron - aan de rand - AIoT naar een hoger niveau.

Gestroomlijnde productie

Om de kracht van AI te ontsluiten, moeten beslissingen worden genomen met zo min mogelijk latentie. Als het AI-systeem een ​​waarschuwing ontvangt dat er een machinefout is, of als de snelheid of het bewegingspatroon van een machine moet worden aangepast voor productievere bewerkingen, kan het onmiddellijk op deze inzichten reageren en de productie stopzetten of wijzigen. Door het AI-systeem aan de rand te integreren, in plaats van de cloud, kunnen fabrikanten de waarde van ultralage latentie ontsluiten, waardoor machines zo snel mogelijk kunnen worden uitgeschakeld en minder producten beschadigd of defect raken.

Om AIoT aan de edge te integreren, moeten marktleiders eerst offline een AI-model bouwen. Vervolgens moeten ze het model trainen met behulp van eerder opgeslagen datasets totdat het aan de vereisten voldoet voordat het wordt geëxporteerd en online wordt toegepast met nieuwe live data.

Het toepassen van het model op realtime data in een online scenario is echter heel iets anders dan het testen op opgeslagen data die al in de trainingsfase zijn gesorteerd. Realtime gegevens zijn niet gefilterd of gecategoriseerd en elke set kan op verschillende tijdstippen aankomen, waardoor een chaos aan informatie voor de AIoT ontstaat.

Edge-analyse invoeren

Om de gegevens te begrijpen, moeten ze worden verwerkt voordat ze door de AIoT kunnen worden gebruikt. Dat is waar edge-analyses om de hoek komen kijken. Het Crosser Platform is bijvoorbeeld een low-code softwareplatform voor streaminganalyse, automatisering en integratie voor elke edge, on-premise of cloud. Het doel is om complexiteit weg te nemen, ontwikkeling te vereenvoudigen en niet-programmeurs in staat te stellen sneller te innoveren met aanzienlijk lagere totale eigendomskosten.

Een systeem als het Crosser Platform kan op een aantal manieren helpen bij het voorbereiden van de gegevens voordat deze de AIoT bereiken. Het kan bijvoorbeeld gegevens harmoniseren van de grote verscheidenheid aan machines op de fabrieksvloer, die in verschillende formaten kunnen zijn omdat ze uit meerdere bronnen zijn binnengekomen.

Gegevens uit verschillende bronnen en formaten worden met regelmatige tussenpozen door het platform geaggregeerd. Bovendien, als de databronnen verschillende bemonsteringsfrequenties hebben, kan het platform tussenwaarden invullen zodat de modellen bij elke update kunnen worden bijgewerkt met nieuwe gegevens van alle sensoren. Het kan ook verschillende soorten vensters maken over tijdreeksgegevens.

Het platform kan ook worden gebruikt voor het extraheren van functies. Afhankelijk van het model dat wordt gebruikt, moeten mogelijk extra functies worden gemaakt op basis van de onbewerkte gegevens. Dit kan bijvoorbeeld zijn het nemen van trillingsgegevens en het omzetten van het tijdsdomein naar het frequentiedomein. Al deze stappen stroomlijnen de gegevens voordat ze de AIoT bereiken.

Het Gebhardt-voorbeeld

Op deze manier stelde Crosser's platform de fabrikant van magazijnautomatiseringsoplossingen Gebhardt Intralogistics Group, Sinsheim, Duitsland in staat om een ​​AIoT-strategie te implementeren. Gebhardt produceert intelligente shuttles om containers snel door een magazijn te verplaatsen. Het was op zoek naar een oplossing voor het detecteren van afwijkingen om operationele fouten te identificeren die worden veroorzaakt door trillingen op de shuttle om de onderhoudskosten te minimaliseren.

Met Crosser's Flow Studio kon Gebhardt gegevens in realtime aan de rand verwerken, harmoniseren en filteren en vervolgens AI gebruiken om te leren van de verzamelde gegevens om voorspellend onderhoud te implementeren voor een verhoogde machinebeschikbaarheid en een langere levensduur van de activa.

Het is waar dat machine-intelligentie een grote kracht heeft, maar andere ondersteunende technologieën kunnen helpen om het volledige potentieel ervan te ontdekken. Marktleiders die AIoT aan de rand integreren, kunnen profiteren van de voordelen van een efficiënt en reactief controlesysteem, waardoor processen snel worden geoptimaliseerd.