Skab værdi fra data i skæringspunktet mellem AI og IoT

Generering af data er ikke noget nyt for industrifabrikker, der ønsker en konkurrencefordel. Men fremskridt indenfor at skabe værdi ud fra disse data er en game changer.

(Billedkilde: Weidmüller)

Nye datadrevne tjenester inspirerer ingeniører og producenter til at etablere rentable og effektive forretningsmodeller, der skaber smarte fabrikker med sofistikeret teknologi, der kan øge produktkvaliteten og reducere omkostningerne.

Men hvordan tager producenterne rejsen fra data til værdi? Mange producenter er inspireret af mulighederne for kunstig intelligens (AI), og hvordan den indpasses med Industrial Internet of Things (IIoT). Fremskridt inden for maskinlæringsalgoritmer og indsamling og forfining af data fremmer øget effektivitet og produktivitet.

Det, der umiddelbart lyder meget kompliceret, kan faktisk opnås med de konkrete fordele ved smart-industri.

Metoder til kunstig intelligens og i særdeleshed maskinlæring er værktøjer, der bruges til at analysere maskindata. Det gør det muligt at koble data sammen og identificere ukendte sammenhænge.

Weidmüllers koncept involverer let brug af kunstig intelligens ved hjælp af automatiseret maskinlæringssoftware til maskin- og anlægsteknik. Til dette formål har vi standardiseret og forenklet brugen af maskinlæring til industrielle applikationer i en sådan grad, at domæneeksperter uden specialiseret viden om datavidenskab kan generere deres egne datadrevne løsninger.

Et softwareværktøj guider brugeren gennem modeludviklingsprocessen. Maskin- og proceseksperter kan nemt skabe, ændre og udføre maskinlæringsmodeller uden støtte fra dataforskere for at reducere nedetid og fejl, optimere vedligeholdelsesaktiviteter og forbedre produktkvaliteten. Softwaren hjælper med at oversætte og arkivere den komplekse applikationsviden til en pålidelig maskinlæringsapplikation.

Automatiseret maskinlæring kan anvendes på mange områder – lige fra opdagelse af anomalier og deres klassificering til fejlforudsigelse. Men for at opdage uregelmæssigheder og lave prognoser på dette grundlag for forudsigelig vedligeholdelse, skal dataene indsamles og korreleres. Der er normalt en tilstrækkelig mængde procesrelevante data for maskiner og anlæg. For at opnå merværdien fra disse data, analyseres de ved hjælp af maskinlæringsmetoder, og passende modeller udvikles.

Vi tror på, at der er en nem måde at opnå industriel IoT på. Vi understøtter løsninger på fire forskellige niveauer, som vi føler er byggestenene:

1. Dataanalyse og forretningslogik – Opnå konkret merværdi med datadrevne, digitale tjenester.
2. Datakommunikation – Kommunikation på tværs af netværk på højeste sikkerhedsniveau ved at transportere data pålideligt gennem netværksinfrastruktur.
3. Forbehandling af data – Reducer datastrømme og omkostninger med IoT Edge Technology, såsom controllere, I/O-systemer og energimålere.
4. Dataopsamling – Få adgang til pålidelige, værdifulde data i greenfield- og brownfield-applikationer med controllere, maskiner, sensorer, målere og analoge signalomformere.

At opnå yderligere værdi fra data begynder ved at bruge kunstig intelligens. Dette kunne være så simpelt som et advarselssignal. Eller det kan bruges til AI med maskinlæring. For at kende og forstå maskinernes adfærd bruger vi disse fire byggeklodser til at kombinere AI og IoT, hvilket gør os til enablererne fra data til værdi. Få mere at vide om Weidmullers game changer brug af automatiseret maskinlæring ved hjælp af kunstig intelligens i den industrielle automatisering i vores Future Factories-videoserie.