'사물의 인공 지능', 엣지 분석이 Gebhardt에서 조화를 만듭니다.

IoT와 AI는 별개의 기술 트렌드로 업계에 파장을 일으키고 있습니다. IoT는 장치를 서로 연결하여 신경계와 같은 신호를 주고받을 수 있습니다. 대조적으로 AI는 데이터를 사용하여 전체 시스템을 제어하는 ​​정보에 입각한 결정을 내리는 두뇌 역할을 할 수 있습니다. 이 두 가지가 함께 결합되면 자가 수정 및 자가 치유가 가능한 지능적인 연결 시스템을 제공할 수 있습니다. 이는 우리가 사물의 인공 지능(AIoT)이라고 부르는 것을 형성합니다.

클라우드 컴퓨팅 및 M2M(Machine-to-Machine) 통신과 같은 기존 IoT 기술을 통해 제조업체는 기계 연결, 데이터 저장 및 해당 데이터의 의미 있는 데이터 만들기라는 세 가지 주요 작업을 완료할 수 있었습니다. 이제 AIoT의 도입으로 네 번째 기능인 행동의 이점을 누릴 수 있습니다.

그러나 AIoT를 실현하려면 제조업체는 빠른 의사 결정을 지원할 수 있는 데이터 관리 시스템이 필요합니다. 클라우드 스토리지가 가능하지만 에지에서 소스에 더 가까운 데이터를 분석하면 AIoT를 한 단계 끌어올릴 수 있습니다.

간소화된 생산

AI의 힘을 활용하려면 가능한 한 짧은 대기 시간으로 결정을 내려야 합니다. AI 시스템이 기계 결함이 있다는 경고를 받거나 더 생산적인 작업을 위해 기계의 속도 또는 이동 패턴을 변경해야 한다는 경고를 받으면 이러한 통찰력에 즉시 조치를 취하고 생산을 중단하거나 변경할 수 있습니다. 제조업체는 클라우드 대신 에지에서 AI 시스템을 통합함으로써 초저지연의 가치를 실현할 수 있으므로 가능한 한 빨리 기계를 끄고 손상되거나 결함이 있는 제품을 줄일 수 있습니다.

AIoT를 에지에서 통합하려면 업계 리더가 먼저 오프라인에서 AI 모델을 구축해야 합니다. 그런 다음 새 라이브 데이터를 사용하여 온라인으로 내보내고 적용하기 전에 요구 사항을 충족할 때까지 이전에 저장된 데이터 세트를 사용하여 모델을 훈련해야 합니다.

그러나 온라인 시나리오에서 모델을 실시간 데이터에 적용하는 것은 훈련 단계에서 이미 정렬된 저장된 데이터에서 테스트하는 것과 매우 다릅니다. 실시간 데이터는 필터링되거나 분류되지 않았으며 각 세트가 다른 시간에 도착하여 AIoT에 대한 정보의 혼란을 야기할 수 있습니다.

에지 분석 입력

데이터를 이해하려면 AIoT에서 사용하기 전에 처리해야 합니다. 이것이 에지 분석이 필요한 곳입니다. 예를 들어 Crosser Platform은 모든 에지, 온프레미스 또는 클라우드에 대한 스트리밍 분석, 자동화 및 통합을 위한 로우 코드 소프트웨어 플랫폼입니다. 목표는 복잡성을 제거하고 개발을 단순화하며 프로그래머가 아닌 사람들이 극적으로 낮은 총 소유 비용으로 더 빠르게 혁신할 수 있도록 하는 것입니다.

Crosser Platform과 같은 시스템은 데이터가 AIoT에 도달하기 전에 여러 가지 방법으로 데이터를 준비하는 데 도움이 될 수 있습니다. 예를 들어, 여러 소스에서 전송된 다양한 형식의 공장 현장에 있는 다양한 기계의 데이터를 조화시킬 수 있습니다.

다양한 소스 및 형식의 데이터가 플랫폼에서 정기적으로 집계됩니다. 또한 데이터 소스의 샘플링 속도가 다른 경우 플랫폼에서 중간 값을 채워 각 업데이트에서 모든 센서의 새 데이터로 모델을 업데이트할 수 있습니다. 또한 시계열 데이터에 따라 다양한 유형의 창을 생성할 수 있습니다.

플랫폼은 특징 추출에도 사용할 수 있습니다. 사용 중인 모델에 따라 원시 데이터에서 추가 기능을 생성해야 할 수도 있습니다. 예를 들어, 진동 데이터를 가져와 시간 영역에서 주파수 영역으로 변환할 수 있습니다. 이러한 모든 단계는 데이터가 AIoT에 도달하기 전에 데이터를 간소화합니다.

게브하르트의 예

이것이 Crosser의 플랫폼을 통해 독일 Sinsheim에 있는 창고 자동화 솔루션 제조업체 Gebhardt Intralogistics Group이 AIoT 전략을 구현할 수 있었던 방법입니다. Gebhardt는 창고 전체에서 컨테이너를 신속하게 이동할 수 있는 지능형 셔틀을 생산합니다. 유지 보수 비용을 최소화하기 위해 셔틀의 진동으로 인한 작동 오류를 식별할 수 있는 이상 감지 솔루션을 찾고 있었습니다.

Crosser의 Flow Studio를 사용하여 Gebhardt는 에지에서 실시간으로 데이터를 처리, 조화 및 필터링한 다음 AI를 사용하여 수집된 데이터에서 학습하여 기계 가용성을 높이고 자산 수명을 연장하기 위한 예측 유지 관리를 구현할 수 있었습니다.

기계 지능이 큰 힘을 갖고 있는 것은 사실이지만 다른 지원 기술이 잠재력을 최대한 발휘하는 데 도움이 될 수 있습니다. AIoT를 에지에서 통합하는 업계 리더는 효율적이고 반응적인 제어 시스템의 이점을 누릴 수 있어 프로세스를 신속하게 최적화할 수 있습니다.