Gebhardt Mengintegrasikan AIoT dan Analitik Edge untuk Harmoni Operasional yang Mulus
IoT dan AI adalah tren teknologi terpisah yang keduanya membuat ombak di industri. IoT dapat menghubungkan perangkat bersama, memberikan dan menerima sinyal seperti sistem saraf. Sebaliknya, AI dapat bertindak sebagai otak, menggunakan data untuk membuat keputusan yang terinformasi yang mengontrol sistem secara keseluruhan. Ketika digabungkan, keduanya mampu menyampaikan sistem yang cerdas dan terhubung yang dapat memperbaiki dan menyembuhkan dirinya sendiri—membentuk apa yang kita sebut Artificial Intelligence of Things (AIoT).
Teknologi IoT konvensional seperti cloud computing dan komunikasi mesin-ke-mesin (M2M) telah memungkinkan produsen untuk menyelesaikan tiga tugas kunci: menghubungkan mesin, menyimpan data dan membuat data tersebut bermakna. Sekarang, dengan perkenalan AIoT, mereka dapat mendapat manfaat dari kemampuan keempat—untuk bertindak.
Namun, untuk membuat AIoT dapat dilakukan, produsen membutuhkan sistem manajemen data yang dapat mendukung pengambilan keputusan cepat. Sementara penyimpanan cloud mungkin, menganalisis data lebih dekat ke sumbernya—di edge—membawa AIoT ke tingkat berikutnya.
Produksi yang Terstruktur
Untuk membuka kekuatan AI, keputusan perlu dibuat dengan latensi sekecil mungkin. Jika sistem AI menerima peringatan bahwa ada kerusakan mesin, atau kecepatan atau pola gerakan mesin harus diubah untuk operasi yang lebih produktif, ia dapat bertindak berdasarkan wawasan ini segera dan menghentikan atau mengubah produksi. Dengan mengintegrasikan sistem AI di edge, bukan di cloud, produsen dapat membuka nilai ultralow latensi, memungkinkan mesin dimatikan secepatnya dan lebih sedikit produk yang rusak atau cacat.
Untuk mengintegrasikan AIoT di edge, pemimpin industri harus terlebih dahulu membangun model AI secara offline. Mereka kemudian harus melatih model menggunakan dataset yang telah disimpan sebelumnya hingga memenuhi persyaratan sebelum mengekspor dan menerapkannya online dengan data langsung baru.
Namun, menerapkan model pada data real-time dalam skenario online sangat berbeda dari mengujinya pada data yang telah disimpan yang telah diurutkan pada tahap pelatihan. Data real-time belum difilter atau dikategorikan, dan setiap set mungkin tiba pada waktu yang berbeda, menciptakan kekacauan informasi untuk AIoT.
Masuk Analitik Edge
Untuk memahami data, harus diproses sebelum dapat digunakan oleh AIoT. Itulah tempat analitik edge hadir. Sebagai contoh, Crosser Platform adalah platform perangkat lunak low-code untuk analitik streaming, otomatisasi dan integrasi untuk edge, on-premise atau cloud manapun. Tujuannya adalah untuk menghilangkan kompleksitas, menyederhanakan pengembangan dan memungkinkan non-programmer untuk berinovasi lebih cepat dengan total cost of ownership yang jauh lebih rendah.
Sistem seperti Crosser Platform dapat membantu menyiapkan data dalam sejumlah cara sebelum mencapai AIoT. Misalnya, ia dapat menyelaraskan data dari berbagai macam mesin di lantai pabrik, yang mungkin dalam format berbeda karena telah datang dari berbagai sumber.
Data dari berbagai sumber dan format diagregasi oleh platform pada interval teratur. Selain itu, jika sumber data memiliki laju pengambilan sampel yang berbeda, maka platform dapat mengisi nilai perantara sehingga model dapat diperbarui dengan data baru dari semua sensor dalam setiap pembaruan. Ia juga dapat membuat berbagai jenis window pada data time series.
Platform juga dapat digunakan untuk ekstraksi fitur. Bergantung pada model yang digunakan, fitur tambahan mungkin perlu dibuat dari data mentah. Ini bisa, misalnya, mengambil data getaran dan mengubahnya dari domain waktu ke domain frekuensi. Semua langkah ini menyederhanakan data sebelum mencapai AIoT.
Contoh Gebhardt
Ini adalah cara platform Crosser memungkinkan pabrikan solusi otomatisasi gudang Gebhardt Intralogistics Group, Sinsheim, Jerman, untuk mengimplementasikan strategi AIoT. Gebhardt produces intelligent shuttles to move containers quickly throughout a warehouse. It was looking for an anomaly detection solution to identify operational faults caused by vibrations on the shuttle to minimize maintenance costs.
Using Crosser’s Flow Studio, Gebhardt was able to process, harmonize and filter data in real time at the edge and then use AI to learn from the data collected in order to implement predictive maintenance for increased machine availability and extended asset lifetime.
It’s true that machine intelligence holds great power, but other supporting technologies can help uncover its full potential. Industry leaders who integrate the AIoT at the edge can reap the benefits of an efficient and reactive control system—optimizing processes, fast.
