Aus AI World:Warum die Nutzung von Edge-Daten viel Energie erfordert

Bei einem Kamingespräch auf der AI World wurden die Probleme erörtert, die beim Extrahieren von Daten vom Rand aufgetreten sind.

Man kann davon ausgehen, dass Hersteller bereit sind, ihre verschiedenen Produktionssysteme aufzubrechen und damit zu beginnen, die darin eingeschlossenen Daten zu nutzen. Die Realität kann viel komplizierter sein.

Die Probleme, die beim Extrahieren von Daten aus der Peripherie aufgetreten sind, wurden in einem Kamingespräch mit Joseph Etris, Engineering Project Manager bei Continental Automotive Systems, zusammen mit John Auld, Regional Sales Director bei Zededa, Inc., erörtert. Ich hatte die Gelegenheit, die Sitzung teilweise zu moderieren der jüngsten AI World-Konferenz in Boston.

Siehe auch: Die Fertigung führt das IoT-Paket an

Die Etris-Einheit bei Continental stellt Katalysatoren für den Automobilsektor her – eine energieintensive Aufgabe. Im Jahr 2018 machten sich Etris und sein Team daran, den Stromverbrauch und die damit verbundenen Emissionen in ihrer Palette von speicherprogrammierbaren Steuerungen (SPS) von Siemens zu erfassen, zu analysieren und zu mindern, die erstmals in den 1990er Jahren installiert wurden. Die Herausforderung, erklärte Etris, bestand darin, die SCADA-Daten aus den SPSen zu extrahieren, um sie mit Daten zu integrieren, die von den neueren elektrischen Sensoren stammen.

Während viele Anbieter behaupten, dass ältere Industriesysteme ihre Daten in einer perfekten IoT-Welt problemlos abgeben können, ist dies weit davon entfernt, so Etris. Legacy-Produktionssysteme wurden oft nicht offen konzipiert und sind oft nicht netzwerkfähig.

Auld, der damals Siemens vertrat, arbeitete mit dem Continental-Team zusammen, um die SPS-Daten zu extrahieren und eine Echtzeitkalibrierung bereitzustellen. Darüber hinaus werden die Daten alle 10 Minuten in ein Cloud-Repository auf Amazon Web Services hochgeladen.

Die Herausforderungen, auf die Continental gestoßen ist, sind symptomatisch für die Probleme, die in der gesamten Fertigungslandschaft auftreten, erklärt Auld. „Es gibt viele dunkle Daten, die in vielen Unternehmen in Silos existieren.“ Dies stellt nicht nur technische, sondern auch organisatorische Herausforderungen dar, da mehrere Teams bei den Bemühungen um KI über IoT an Bord sein müssen.

Die Verwaltung der Datenspeicherung im KI- und IoT-Zeitalter war ein weiterer Bereich, der von den Diskussionsteilnehmern diskutiert wurde. Viele Organisationen werden mit wachsenden Datenmengen zu kämpfen haben, die von verschiedenen Arrays von Controllern und Sensoren in ihre Systeme strömen und diese häufig in Data Lakes ablegen.

Hersteller müssen eine gemeinsame Schnittstellenschicht einrichten, die Daten aus allen Generationen von Produktionssystemen extrahieren und lesen kann, sagte Auld. Außerdem muss Konsistenz gewährleistet sein, da Daten aus verschiedenen Systemen unterschiedliche Bedeutungen und Schwellenwerte haben können. Die Herausforderung für viele Hersteller besteht darin, dass sie möglicherweise viele separate Fabriken haben, von denen jede ihre eigenen Initiativen und Standards hat.