« L'intelligence artificielle des objets » et l'analyse de pointe créent l'harmonie chez Gebhardt

L'IoT et l'IA sont des tendances technologiques distinctes qui font toutes deux des vagues dans l'industrie. L'IoT peut connecter des appareils entre eux, donnant et recevant des signaux comme un système nerveux. En revanche, l'IA peut agir comme un cerveau, utilisant des données pour prendre des décisions éclairées qui contrôlent l'ensemble du système. Lorsqu'ils sont associés, les deux sont capables de fournir des systèmes de connexion intelligents qui peuvent s'auto-corriger et s'auto-réparer, formant ce que nous appelons l'intelligence artificielle des objets (AIoT).

Les technologies IoT conventionnelles telles que le cloud computing et la communication machine à machine (M2M) ont permis aux fabricants d'accomplir trois tâches clés :connecter des machines, stocker des données et donner du sens à ces données. Désormais, avec l'introduction de l'AIoT, ils peuvent bénéficier d'une quatrième capacité :agir.

Cependant, pour rendre l'AIoT réalisable, les fabricants ont besoin d'un système de gestion des données capable de prendre en charge une prise de décision rapide. Bien que le stockage dans le cloud soit possible, l'analyse des données plus près de leur source, à la périphérie, fait passer l'AIoT au niveau supérieur.

Production simplifiée

Pour libérer la puissance de l'IA, les décisions doivent être prises avec le moins de latence possible. Si le système d'IA reçoit une alerte indiquant qu'il y a une panne de la machine, ou si la vitesse ou le schéma de mouvement d'une machine doit être modifié pour des opérations plus productives, il peut agir immédiatement sur ces informations et arrêter ou modifier la production. En intégrant le système d'IA à la périphérie, au lieu du cloud, les fabricants peuvent libérer la valeur de la latence ultra-faible, permettant aux machines d'être éteintes aussi rapidement que possible et moins de produits sont endommagés ou défectueux.

Afin d'intégrer l'AIoT à la périphérie, les leaders de l'industrie doivent d'abord créer un modèle d'IA hors ligne. Ils doivent ensuite former le modèle à l'aide d'ensembles de données précédemment stockés jusqu'à ce qu'il réponde aux exigences avant de l'exporter et de l'appliquer en ligne avec de nouvelles données en direct.

Cependant, appliquer le modèle à des données en temps réel dans un scénario en ligne est très différent de le tester sur des données stockées qui ont déjà été triées lors de la phase de formation. Les données en temps réel n'ont pas été filtrées ni catégorisées, et chaque ensemble peut arriver à des moments différents, créant un chaos d'informations pour l'AIoT.

Entrez dans l'analyse de périphérie

Pour donner un sens aux données, elles doivent être traitées avant de pouvoir être utilisées par l'AIoT. C'est là que l'analyse de périphérie entre en jeu. Par exemple, la plate-forme Crosser est une plate-forme logicielle à faible code pour l'analyse en continu, l'automatisation et l'intégration pour n'importe quelle périphérie, sur site ou dans le cloud. L'objectif est d'éliminer la complexité, de simplifier le développement et de permettre aux non-programmeurs d'innover plus rapidement avec un coût total de possession considérablement réduit.

Un système tel que Crosser Platform peut aider à préparer les données de plusieurs façons avant qu'elles n'atteignent l'AIoT. Par exemple, il peut harmoniser les données d'une grande variété de machines dans l'usine, qui peuvent être dans des formats différents car elles proviennent de plusieurs sources.

Les données de différentes sources et formats sont agrégées par la plateforme à intervalles réguliers. De plus, si les sources de données ont des taux d'échantillonnage différents, alors la plate-forme peut remplir des valeurs intermédiaires afin que les modèles puissent être mis à jour avec de nouvelles données de tous les capteurs à chaque mise à jour. Il peut également créer différents types de fenêtres sur des données de séries chronologiques.

La plate-forme peut également être utilisée pour l'extraction de caractéristiques. Selon le modèle utilisé, des fonctionnalités supplémentaires peuvent devoir être créées à partir des données brutes. Il peut s'agir, par exemple, de prendre des données de vibration et de les convertir du domaine temporel au domaine fréquentiel. Toutes ces étapes rationalisent les données avant qu'elles n'atteignent l'AIoT.

L'exemple de Gebhardt

C'est ainsi que la plate-forme de Crosser a permis au fabricant de solutions d'automatisation d'entrepôt Gebhardt Intralogistics Group, Sinsheim, Allemagne, de mettre en œuvre une stratégie AIoT. Gebhardt produit des navettes intelligentes pour déplacer rapidement des conteneurs dans un entrepôt. Elle recherchait une solution de détection d'anomalies pour identifier les défauts de fonctionnement causés par les vibrations sur la navette afin de minimiser les coûts de maintenance.

En utilisant Flow Studio de Crosser, Gebhardt a pu traiter, harmoniser et filtrer les données en temps réel à la périphérie, puis utiliser l'IA pour apprendre des données collectées afin de mettre en œuvre une maintenance prédictive pour une disponibilité accrue des machines et une durée de vie prolongée des actifs.

Il est vrai que l'intelligence artificielle détient un grand pouvoir, mais d'autres technologies de soutien peuvent aider à découvrir tout son potentiel. Les leaders de l'industrie qui intègrent l'AIoT à la périphérie peuvent profiter des avantages d'un système de contrôle efficace et réactif, optimisant les processus rapidement.