Gebhardt Integreert AIoT en Edge Analytics Voor Naadloze Operationele Harmonie

Het IoT en AI zijn losse technologie-trends die allebei golven slaan in de industrie. Het IoT kan apparaten met elkaar verbinden, signalen geven en ontvangen als een zenuwstelsel. Daartegenover kan AI fungeren als een brein, data gebruiken om geïnformeerde beslissingen te nemen die het algehele systeem sturen. Samengevoegd zijn de twee in staat om intelligente, verbindende systemen te leveren die zichzelf kunnen corrigeren en genezen—vormend 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 sleuteltaken te voltooien: machines verbinden, data opslaan en die data betekenisvol maken. Nu, met de introductie van AIoT, kunnen ze profiteren van een vierde capaciteit—om te handelen.

Echter, om AIoT haalbaar te maken, hebben fabrikanten een datamanagementsysteem nodig dat snelle besluitvorming kan ondersteunen. Terwijl cloudopslag mogelijk is, brengt het analyseren van data dichter bij de bron—aan de edge—AIoT naar het volgende niveau.

Gestroomlijnde Productie

Om de kracht van AI te ontgrendelen, moeten beslissingen gemaakt worden met zo min mogelijk latentie. Als het AI-systeem een waarschuwing ontvangt dat er een machine-fout is, of dat de snelheid of beweegpatroon van een machine gewijzigd moet worden voor productievere operaties, kan het direct op deze inzichten ingaan en productie stoppen of wijzigen. Door het AI-systeem aan de edge te integreren, in plaats van de cloud, kunnen fabrikanten de waarde van ultralage latentie ontgrendelen, waardoor machines zo snel mogelijk uitgezet kunnen worden en minder producten beschadigd of defect zijn.

Om AIoT aan de edge te integreren, moeten industriële leiders eerst een AI-model offline bouwen. Ze moeten het model dan trainen met eerder opgeslagen datasets totdat het aan de eisen voldoet voordat ze het exporteren en online toepassen met nieuwe live data.

Echter, het toepassen van het model op real-time data in een online scenario is heel anders dan het testen op opgeslagen data die al gesorteerd is in de trainingsfase. Real-time data is niet gefilterd of gecategoriseerd, en elke set kan op verschillende tijden arriveeren, wat een chaos van informatie creëert voor de AIoT.

Edge Analytics Binnenstappen

Om zin te geven aan de data, moet het verwerkt worden voordat het door de AIoT gebruikt kan worden. Dat is waar edge analytics om de hoek kijkt. Als voorbeeld, het Crosser Platform is een low-code softwareplatform voor streaming analytics, automatisering en integratie voor elke edge, on-premise of cloud. Het doel is complexiteit te verwijderen, ontwikkeling te vereenvoudigen en niet-programmeurs in staat te stellen sneller te innoveren met een dramatisch lagere total cost of ownership.

Een systeem als het Crosser Platform kan de data op verschillende manieren voorbereiden voordat het de AIoT bereikt. Bijvoorbeeld, het kan data harmoniseren van de grote verscheidenheid aan machines op de fabrieksvloer, die in verschillende formaten kunnen zijn omdat het van meerdere bronnen is binnengekomen.

Data van verschillende bronnen en formaten worden door het platform op regelmatige intervallen geaggregeerd. Bovendien, als de databronnen verschillende sample rates hebben, kan het platform intermediaire waarden invullen, zodat de modellen geüpdatet kunnen worden met nieuwe data van alle sensoren in elke update. Het kan ook verschillende typen vensters over tijdreeksdata creëren.

Het platform kan ook gebruikt worden voor feature extraction. Afhankelijk van het gebruikte model, moeten er mogelijk extra features uit de rauwe data worden gecreëerd. Dit kan bijvoorbeeld zijn: trillingsdata omzetten van het tijdsdomein naar het frequentiedomein. Al deze stappen stroomlijnen de data voordat het de AIoT bereikt.

Het Gebhardt Voorbeeld

Dit is hoe Crosser’s platform magazijnautomatiseringsoplossingsfabrikant Gebhardt Intralogistics Group, Sinsheim, Duitsland, in staat stelde een AIoT-strategie te implementeren. Gebhardt produceert intelligente shuttles om containers snel door een magazijn te verplaatsen. Het zoek een anomalie-detectieoplossing om operationele fouten geïndiceerd door trillingen op de shuttle te identificeren om onderhoudskosten te minimaliseren.

Met Crosser’s Flow Studio kon Gebhardt data in realtime aan de edge verwerken, harmoniseren en filteren en vervolgens AI gebruiken om te leren van de verzamelde data om voorspellend onderhoud te implementeren voor verhoogde machinebeschikbaarheid en verlengde asset-levensduur.

Het is waar dat machine-intelligentie grote kracht heeft, maar andere ondersteunende technologieën kunnen helpen het volledige potentieel te onthullen. Industriële leiders die AIoT aan de edge integreren, kunnen de voordelen plukken van een efficiënt en reactief besturingssysteem—processen optimaliseren, snel.