Gebhardt integriert AIoT und Edge Analytics für nahtlose operative Harmonie

IoT und KI sind getrennte Technologietrends, die beide in der Industrie Wellen schlagen. IoT kann Geräte vernetzen, Signale geben und empfangen wie ein Nervensystem. Im Gegensatz dazu kann KI als Gehirn agieren, Daten nutzen, um informierte Entscheidungen zu treffen, die das Gesamtsystem steuern. Vereint, sind die beiden in der Lage, intelligente, vernetzende Systeme zu liefern, die sich selbst korrigieren und selbst heilen –forming what we term the Artificial Intelligence of Things (AIoT).

Konventionelle IoT-Technologien wie Cloud Computing und Machine-to-Machine (M2M) Kommunikation haben Herstellern ermöglicht, drei Kernaufgaben zu erfüllen: Maschinen vernetzen, Daten speichern und diese Daten bedeutungsvoll machen. Mit der Einführung von AIoT können sie nun von einer vierten Fähigkeit profitieren – zu handeln.

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

Optimierte Produktion

Um die Kraft der KI freizusetzen, müssen Entscheidungen mit so wenig Latenz wie möglich getroffen werden. Wenn das KI-System einen Alarm erhält, dass ein Maschinenfehler vorliegt, oder die Geschwindigkeit oder Bewegungsmuster einer Maschine für produktivere Abläufe geändert werden sollten, kann es sofort auf diese Erkenntnisse reagieren und die Produktion stoppen oder anpassen. Durch die Integration des KI-Systems am Edge statt in der Cloud können Hersteller den Wert ultraniedriger Latenz nutzen, Maschinen so schnell wie möglich abschalten und weniger Produkte beschädigt oder defekt werden lassen.

Um AIoT am Edge zu integrieren, müssen Branchenführer zunächst ein KI-Modell offline 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 unterscheidet sich jedoch stark vom Testen auf gespeicherten Daten, die im Trainingsstadium bereits sortiert wurden. Echtzeitdaten wurden nicht gefiltert oder kategorisiert, und jedes Set kann zu unterschiedlichen Zeiten eintreffen, was ein Chaos an Informationen für das AIoT schafft.

Edge Analytics betreten die Bühne

Um Sinn in die Daten zu bringen, müssen sie verarbeitet werden, bevor sie vom AIoT genutzt werden können. Hier kommt Edge Analytics ins Spiel. Als Beispiel dient die Crosser Platform – eine Low-Code-Softwareplattform für Streaming-Analytics, Automatisierung und Integration für jeden Edge, On-Premise oder Cloud. Ziel: Komplexität entfernen, Entwicklung vereinfachen und Nicht-Programmierern ermöglichen, schneller zu innovieren bei dramatisch niedrigeren Gesamtbetriebskosten.

Ein System wie die Crosser Platform kann die Daten auf verschiedene Weise vorbereiten, bevor sie das AIoT erreichen. Zum Beispiel kann es Daten von der Vielzahl der Maschinen auf dem Shopfloor harmonisieren, die in unterschiedlichen Formaten vorliegen mögen, da sie aus mehreren Quellen stammen.

Daten aus verschiedenen Quellen und Formaten werden von der Plattform in regelmäßigen Intervallen aggregiert. Wenn die Datenquellen unterschiedliche Abtastraten haben, kann die Plattform Zwischenwerte interpolieren, sodass die Modelle mit neuen Daten aller Sensoren in jedem Update aktualisiert werden können. Sie kann auch verschiedene Arten von Zeitfenstern über Zeitreihendaten erstellen.

Die Plattform kann auch für Feature Extraction genutzt werden. Je nach verwendetem Modell müssen aus Rohdaten zusätzliche Features erstellt werden. Das könnte beispielsweise sein, Vibrationsdaten aus dem Zeitbereich in den Frequenzbereich zu transformieren. All diese Schritte straffen die Daten, bevor sie das AIoT erreichen.

Das Gebhardt-Beispiel

So ermöglichte Crossers Plattform dem Lagerautomatisierungslösungshersteller Gebhardt Intralogistics Group, Sinsheim, Deutschland, eine AIoT-Strategie zu implementieren. Gebhardt produziert intelligente Shuttles, die Behälter schnell durch ein Lager bewegen. Man suchte eine Anomalieerkennungslösung, um Betriebsfehler durch Vibrationen am Shuttle zu identifizieren und Wartungskosten zu minimieren.

Mit Crossers Flow Studio konnte Gebhardt Daten in Echtzeit am Edge verarbeiten, harmonisieren und filtern und dann KI nutzen, um aus den gesammelten Daten zu lernen, um vorausschauende Wartung für erhöhte Maschinenverfügbarkeit und verlängerte Asset-Lebensdauer zu implementieren.

Es stimmt: Maschinenintelligenz birgt große Macht, aber unterstützende Technologien können helfen, ihr volles Potenzial zu entfalten. Branchenführer, die AIoT am Edge integrieren, profitieren von einem effizienten und reaktiven Steuerungssystem – Prozesse optimieren, schnell.