「モノの人工知能」、エッジ アナリティクスが Gebhardt に調和をもたらす

IoT と AI は、業界で波を起こしている別個の技術トレンドです。 IoT はデバイスを相互に接続し、神経系のように信号を送受信できます。対照的に、AI は頭脳として機能し、データを使用してシステム全体を制御する情報に基づいた決定を下すことができます。この 2 つを組み合わせると、自己修正と自己修復が可能なインテリジェントな接続システムを提供できるようになり、モノの人工知能 (AIoT) と呼ばれるものが形成されます。

クラウド コンピューティングやマシン ツー マシン (M2M) 通信などの従来の IoT テクノロジにより、メーカーは、マシンの接続、データの保存、およびそのデータを意味のあるものにするという 3 つの主要なタスクを完了することができました。現在、AIoT の導入により、行動するという 4 番目の能力から恩恵を受けることができます。

ただし、AIoT を実現するためには、メーカーは迅速な意思決定をサポートできるデータ管理システムを必要としています。クラウド ストレージは可能ですが、ソースに近いエッジでデータを分析することで、AIoT を次のレベルに引き上げます。

合理化された生産

AI の力を解き放つには、可能な限り短い待ち時間で意思決定を行う必要があります。 AI システムは、マシンに障害があるというアラートを受信した場合、またはより生産的な運用のためにマシンの速度または動作パターンを変更する必要がある場合、これらの洞察に基づいて直ちに行動し、生産を停止または変更することができます。 AI システムをクラウドではなくエッジに統合することで、メーカーは超低レイテンシーの価値を解き放ち、機械をできるだけ早くオフにして、損傷や欠陥のある製品を減らすことができます。

エッジで AIoT を統合するために、業界のリーダーはまず AI モデルをオフラインで構築する必要があります。次に、要件を満たすまで、以前に保存したデータセットを使用してモデルをトレーニングしてから、新しいライブ データをオンラインでエクスポートして適用する必要があります。

ただし、オンライン シナリオでモデルをリアルタイム データに適用することは、トレーニング段階で既に並べ替えられた保存済みデータでモデルをテストすることとは大きく異なります。リアルタイム データはフィルター処理も分類もされていないため、各セットが異なる時間に到着する可能性があり、AIoT の情報の混乱を引き起こします。

エッジ分析に入る

データを理解するには、AIoT で使用する前にデータを処理する必要があります。そこでエッジ分析の出番です。例として、Crosser Platform はストリーミング分析、自動化、統合のためのローコード ソフトウェア プラットフォームであり、オンプレミスまたはクラウドのエッジを対象としています。その目的は、複雑さを取り除き、開発を簡素化し、プログラマーではない人が劇的に低い総所有コストで革新を加速できるようにすることです。

Crosser Platform などのシステムは、データが AIoT に到達する前に、さまざまな方法でデータを準備するのに役立ちます。たとえば、工場の現場にあるさまざまな機械からのデータを調和させることができます。これらのデータは、複数のソースから送られてくるため、さまざまな形式になっている可能性があります。

さまざまなソースや形式からのデータが、プラットフォームによって定期的に集計されます。さらに、データ ソースのサンプリング レートが異なる場合、プラットフォームは中間値を入力できるため、更新ごとにすべてのセンサーからの新しいデータでモデルを更新できます。また、時系列データに対してさまざまな種類のウィンドウを作成することもできます。

このプラットフォームは、特徴抽出にも使用できます。使用しているモデルによっては、生データから追加の機能を作成する必要がある場合があります。これは、たとえば、振動データを取得して、時間領域から周波数領域に変換することです。これらのステップはすべて、AIoT に到達する前にデータを合理化します。

ゲプハルトの例

これは、Crosser のプラットフォームにより、倉庫自動化ソリューション メーカーの Gebhardt Intralogicals Group (ドイツ、ジンスハイム) が AIoT 戦略を実装することを可能にした方法です。 Gebhardt は、倉庫全体でコンテナーをすばやく移動するためのインテリジェントなシャトルを製造しています。メンテナンス コストを最小限に抑えるために、シャトルの振動によって引き起こされる動作上の障害を特定する異常検出ソリューションを探していました。

Crosser の Flow Studio を使用して、Gebhardt はエッジでリアルタイムにデータを処理、調和、フィルタリングし、収集したデータから AI を使用して学習することで、機械の可用性を高め、資産の寿命を延ばすための予知保全を実装することができました。

マシン インテリジェンスが大きな力を持っていることは事実ですが、他のサポート テクノロジがその可能性を最大限に引き出すのに役立ちます。エッジで AIoT を統合する業界のリーダーは、効率的で事後対応型の制御システムのメリットを享受し、プロセスを迅速に最適化できます。