‚Künstliche Intelligenz der Dinge‘, Edge Analytics schaffen Harmonie bei Gebhardt

IoT und KI sind separate Technologietrends, die beide in der Industrie Wellen schlagen. Das IoT kann Geräte miteinander verbinden und Signale wie ein Nervensystem senden und empfangen. Im Gegensatz dazu kann KI als Gehirn fungieren und Daten verwenden, um fundierte Entscheidungen zu treffen, die das Gesamtsystem steuern. Wenn sie zusammengefügt werden, sind die beiden in der Lage, intelligente, verbindende Systeme bereitzustellen, die sich selbst korrigieren und selbst heilen können – sie bilden das, was wir die künstliche Intelligenz der Dinge (AIoT) nennen.

Herkömmliche IoT-Technologien wie Cloud Computing und Machine-to-Machine (M2M)-Kommunikation haben es Herstellern ermöglicht, drei Hauptaufgaben zu erfüllen:Maschinen verbinden, Daten speichern und diese Daten aussagekräftig machen. Jetzt, mit der Einführung von AIoT, können sie von einer vierten Fähigkeit profitieren – zu handeln.

Um AIoT realisierbar zu machen, benötigen Hersteller jedoch ein Datenmanagementsystem, das eine schnelle Entscheidungsfindung unterstützen kann. Während Cloud-Speicherung möglich ist, bringt die Analyse von Daten näher an ihrer Quelle – am Edge – AIoT auf die nächste Stufe.

Optimierte Produktion

Um die Leistungsfähigkeit der KI freizusetzen, müssen Entscheidungen mit möglichst geringer Latenz getroffen werden. Wenn das KI-System eine Warnung erhält, dass ein Maschinenfehler vorliegt oder die Geschwindigkeit oder das Bewegungsmuster einer Maschine für einen produktiveren Betrieb geändert werden sollte, kann es sofort auf diese Erkenntnisse reagieren und die Produktion stoppen oder ändern. Durch die Integration des KI-Systems am Edge statt in die Cloud können Hersteller den Wert ultraniedriger Latenz erschließen, sodass Maschinen so schnell wie möglich abgeschaltet werden können und weniger Produkte beschädigt oder defekt sind.

Um AIoT am Edge zu integrieren, müssen Branchenführer zunächst offline ein KI-Modell erstellen. Sie müssen das Modell dann mit zuvor gespeicherten Datensätzen trainieren, bis es die Anforderungen erfüllt, bevor sie es exportieren und online mit neuen Live-Daten anwenden.

Die Anwendung des Modells auf Echtzeitdaten in einem Online-Szenario ist jedoch etwas ganz anderes, als es auf gespeicherten Daten zu testen, die bereits in der Trainingsphase sortiert wurden. Echtzeitdaten wurden nicht gefiltert oder kategorisiert, und jeder Satz kann zu unterschiedlichen Zeiten eintreffen, wodurch ein Informationschaos für das AIoT entsteht.

Edge Analytics eingeben

Um die Daten zu verstehen, müssen sie verarbeitet werden, bevor sie vom AIoT verwendet werden können. Hier kommt Edge Analytics ins Spiel. Die Crosser-Plattform ist beispielsweise eine Low-Code-Softwareplattform für Streaming-Analysen, Automatisierung und Integration für jeden Edge, vor Ort oder in der Cloud. Das Ziel besteht darin, die Komplexität zu beseitigen, die Entwicklung zu vereinfachen und es Nicht-Programmierern zu ermöglichen, Innovationen schneller und mit drastisch niedrigeren Gesamtbetriebskosten zu entwickeln.

Ein System wie die Crosser-Plattform kann dabei helfen, die Daten auf verschiedene Weise aufzubereiten, bevor sie das AIoT erreichen. Beispielsweise kann es Daten von einer Vielzahl von Maschinen in der Fabrik harmonisieren, die möglicherweise in unterschiedlichen Formaten vorliegen, da sie aus mehreren Quellen eingehen.

Daten aus unterschiedlichen Quellen und Formaten werden von der Plattform in regelmäßigen Abständen aggregiert. Wenn die Datenquellen unterschiedliche Abtastraten haben, kann die Plattform außerdem Zwischenwerte einfügen, sodass die Modelle bei jedem Update mit neuen Daten von allen Sensoren aktualisiert werden können. Es kann auch verschiedene Arten von Fenstern über Zeitreihendaten erstellen.

Die Plattform kann auch zur Merkmalsextraktion verwendet werden. Je nach verwendetem Modell müssen ggf. zusätzliche Merkmale aus den Rohdaten erstellt werden. Dies könnte zum Beispiel sein, Vibrationsdaten zu nehmen und sie aus dem Zeitbereich in den Frequenzbereich umzuwandeln. Alle diese Schritte optimieren die Daten, bevor sie das AIoT erreichen.

Das Beispiel Gebhardt

So ermöglichte die Crosser-Plattform dem Hersteller von Lagerautomatisierungslösungen Gebhardt Intralogistics Group, Sinsheim, Deutschland, eine AIoT-Strategie umzusetzen. Gebhardt produziert intelligente Shuttles, um Container schnell durch ein Lager zu bewegen. Es suchte nach einer Anomalieerkennungslösung, um Betriebsstörungen zu identifizieren, die durch Vibrationen am Shuttle verursacht werden, um die Wartungskosten zu minimieren.

Mit Flow Studio von Crosser konnte Gebhardt Daten in Echtzeit am Edge verarbeiten, harmonisieren und filtern und dann mithilfe von KI aus den gesammelten Daten lernen, um vorausschauende Wartung für eine erhöhte Maschinenverfügbarkeit und eine längere Lebensdauer der Anlagen zu implementieren.

Es ist wahr, dass maschinelle Intelligenz eine große Macht hat, aber andere unterstützende Technologien können dazu beitragen, ihr volles Potenzial auszuschöpfen. Branchenführer, die das AIoT am Edge integrieren, können die Vorteile eines effizienten und reaktiven Steuerungssystems nutzen und Prozesse schnell optimieren.