Gebhardt intègre l'AIoT et l'analytique en périphérie pour une harmonie opérationnelle fluide

L'IoT et l'IA sont deux tendances technologiques distinctes qui font toutes deux des vagues dans l'industrie. L'IoT peut connecter les appareils entre eux, donnant et recevant des signaux comme un système nerveux. En revanche, l'IA peut agir comme un cerveau, utilisant les données pour prendre des décisions éclairées qui contrôlent le système global. Lorsqu'elles sont jointes, les deux sont capables de fournir des systèmes intelligents et connectés qui peuvent s'auto-corriger et s'auto-guérir — formant ce que nous appelons l'Intelligence Artificielle des Objets (AIoT).

Les technologies IoT conventionnelles telles que l'informatique en nuage et la communication machine-à-machine (M2M) ont permis aux fabricants de réaliser trois tâches clés : connecter les machines, stocker les données et rendre ces données significatives. Maintenant, avec l'introduction de l'AIoT, ils peuvent bénéficier d'une quatrième capacité — agir.

Cependant, pour rendre l'AIoT faisable, les fabricants ont besoin d'un système de gestion des données qui peut prendre en charge une prise de décision rapide. Bien que le stockage en nuage soit possible, l'analyse des données plus près de leur source — en périphérie (edge) — porte l'AIoT au niveau supérieur.

Production rationalisée

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

Afin d'intégrer l'AIoT en périphérie, les leaders de l'industrie doivent d'abord construire un modèle IA hors ligne. Ils doivent ensuite entraîner le modèle en utilisant des ensembles de données stockés précédemment 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 à l'étape d'entraînement. Les données en temps réel n'ont pas été filtrées ou catégorisées, et chaque ensemble peut arriver à des moments différents, créant un chaos d'informations pour l'AIoT.

Entrent en jeu les analyses en périphérie

Pour donner du sens aux données, elles doivent être traitées avant de pouvoir être utilisées par l'AIoT. C'est là qu'interviennent les analyses en périphérie (edge analytics). Par exemple, la plateforme Crosser est une plateforme logicielle low-code pour l'analytique de flux, l'automatisation et l'intégration pour n'importe quelle périphérie, sur site ou nuage. Le but est de supprimer la complexité, simplifier le développement et permettre aux non-programmeurs d'innover plus rapidement avec un coût total de possession dramatiquement plus bas.

Un système tel que la plateforme Crosser peut aider à préparer les données de plusieurs façons avant qu'elles n'atteignent l'AIoT. Par exemple, il peut harmoniser les données de la grande variété de machines sur le shop floor, qui pourraient être dans différents formats car elles ont voyagé depuis de multiples 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, la plateforme peut combler les valeurs intermédiaires pour que les modèles puissent être mis à jour avec de nouvelles données de tous les capteurs à chaque mise à jour. Elle peut également créer différents types de fenêtres sur les données de séries temporelles.

La plateforme peut également être utilisée pour l'extraction de caractéristiques. Selon le modèle utilisé, des caractéristiques supplémentaires peuvent devoir être créées à partir des données brutes. Cela pourrait être, par exemple, prendre des données de vibration et les convertir du domaine temporel vers le domaine fréquentiel. Toutes ces étapes rationalisent les données avant qu'elles n'atteignent l'AIoT.

L'exemple Gebhardt

C'est ainsi que la plateforme 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. Il recherchait une solution de détection d'anomalies pour identifier les pannes opérationnelles causées par les vibrations sur la navette afin de minimiser les coûts de maintenance.

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

Il est vrai que l'intelligence machine détient un grand pouvoir, mais d'autres technologies de support peuvent aider à découvrir son plein potentiel. Les leaders de l'industrie qui intègrent l'AIoT en périphérie peuvent récolter les bénéfices d'un système de contrôle efficace et réactif — optimisant les processus, rapidement.