应用

技术

物联网世界 >> 物联网新闻 >> 物联网热点新闻
企业注册个人注册登录

工业应用如何将AIoT巧妙融合进来?

2021-03-25 09:31 控制工程网

导读:人工智能物联网(AIoT)是指在IoT应用程序中采用AI功能。

虽然工业物联网(IIoT)可能为制造企业提供理论上的机会来接收他们所需的所有相关信息,但它本身并不能以自主、可扩展的方式使其切实可行。得益于更强大的机器学习算法和IIoT,企业级数字神经系统正在兴起。

用人类神经系统的类比指出,IIoT缺少对感官信息的预处理,有时还缺少人体的自主反应。例如,大脑不会收到手部皮肤状况良好的信息,但是当您手上的'传感器'由于触摸热炉子而发出非常高的温度信号时,大脑会立即得到通知。而在大脑还没有开始采取进一步的行动之前,比如找水来冷却你的手,中枢神经系统就会触发反射性地撤回手。"

人工智能物联网(AIoT)是指在IoT应用程序中采用AI功能。简单来说,IoT是被动的,而AIoT是主动的。AIoT与AI和IoT的结合有关,其目标是在复杂的操作中实现更高的效率,它旨在改善人机交互,并增强以数据为依据的决策。AIoT还将"大脑"添加到云和边缘。

  AIoT对制造商的好处

得益于边缘计算技术的进步,AI已经向物联网边缘发展。通过将现场设备连接到功能强大的边缘计算机,无需将所有数据发送到云或数据中心,因为可以在现场进行处理和分析。Eurotech公司的首席产品和营销官Giuseppe Surace说,"尽管我们还远远没有看到完全自主的应用程序(如5级自动驾驶),但在未来5-10年,边缘处理的数据量将出现持续的飞跃。"

Gartner预测到2025年,企业生成的数据中约有75%将是在传统的集中式数据中心或云之外创建和处理的。而这一比例在2018年时是仅有10%。因此,很明显,本地处理和边缘计算的需求正在增加,特别是在云计算带宽有限或成本高昂,或者存在隐私或延迟问题的应用中。

AI技术可以帮助制造商充分挖掘其资产和设备产生的大数据的潜力。将所有这些数据实时发送到云或数据中心,即使不考虑带宽和延迟问题,仅仅是部署和维护这些基础设施的成本就很高昂。通过AI、机器学习和深度学习更接近数据源,可以帮助企业为现场收集的数据提供意义,以将其转变为可操作的业务决策。

随着AIoT技术逐步被工业领域所采用,企业将变得更加高效,改善包括准确性和安全性在内的整体运营,并减少浪费和碳排放。AVEVA人工智能和高级分析全球负责人James H. Chappell表示,AI使用各种历史数据来分析趋势,这可以帮助企业不断优化和改进流程。

为了从AIoT中获得最大价值,企业需要具备三大要素:鼓励和促进AI注入业务流程的企业文化;对AI强大功能的理解和信任;IT基础架构可提供AI所需的基本数据要求和处理能力,包括利用云平台。

"AIoT对工业生态系统的很多关键领域产生了重大影响," ADI OtoSense市场经理Pete Sopcik说,例如更快的决策制定,基础设施成本的降低,以及安全架构的改进等。这些优势中的每一个都是由AIoT在边缘提供见解的能力所驱动的。

  与控制工程功能相结合

尽管大多数AI培训仍然会在云中进行,但仍需要部署经过培训的模型来优化现场应用程序,例如预测性维护和机器人技术。挑战在于为AI模型提供正确的数据。由于AI培训和推理发生在软件层面,控制工程师的角色对于为软件提供高质量数据以改善机器学习和深度学习模型至关重要。

为了从AIoT中获得最大的价值,了解它如今能做什么和不能做什么很重要。通过将具体应用与AI能力进行匹配,制造企业可以务实地利用AI的力量,以实现最大的收益。

例如,遇到计划外的运营停机问题的公司可以利用AI根据其可能已经到位的传感器提供的数据提供问题的早期检测。此外,他们可以利用诸如深度学习之类的技术来提供资产剩余使用寿命的预测,以便更好地评估情况风险。

AIoT将在控制工程如何影响工业环境和适应新技术以推动扩展能力方面发挥重要作用。AIoT将推动资产与流程优化之间更紧密的集成。更快的决策时间带来更高效的控制。对每种产品的分析(不仅是样本量)都将提供更好的见解,并提高生产制造和质量控制过程的准确性。

控制工程师将需要继续将这些连接设备和改进的信息集成到工业生态系统中,同时也要发挥关键作用,确保这些分析技术得到适当的应用,以实现更好的控制,以及安全和可靠的生产工艺条件。控制工程师必须考虑最佳实践,以及如何整合这些解决方案以实现最佳效率,以确保这种集成是有效且可扩展的。

  AIoT在工业领域的应用

预测性维护操作将从AIoT中受益匪浅。随着时间的推移收集越来越多的数据,维护流程将变得越来越有效率,从而不断降低成本,减少浪费并减少停机时间。用于提供训练模型的数据越多,该模型将变得越高效。

预测分析使用监督式机器学习来了解资产的单个运行历史,并为每个特定设备开发一系列正常运行配置文件。将其应用于云时,它将提供实时操作数据以检测系统行为的细微变化,这些细微变化通常是发现设备故障的早期预警信号。例如,通过应用基于物联网数据的机器学习,可以检测出生产线上的重型机械何时未在其峰值运行。

AIoT技术的另一个应用领域是机器人技术和机器视觉。机器人和协作机器人大量使用摄像机输入来执行任务。可以实时处理和分析的数据越多,其工作效率就越高。这将提高生产过程的质量,并且减少浪费。

质量控制是AIoT技术在工业应用中的一个典型场景。无论是监视泵、压缩机、子组件还是最终产品,AIoT都可以为机器运行提供新见解,以解决关键的质量问题。例如监视生产线末端的成品质量。

企业可以为生产出来的产品创建模型,并测试这些资产以验证其性能状况,然后再交付给客户。通过与制造生态系统更紧密地结合在一起,优化维护策略、过程控制和工艺操作,这些应用为更广泛地采用AIoT解决方案铺平了道路。

将诊断直接带到现场的关键设备是AIoT的另一个关键应用。过去,飞机发动机和风力涡轮机等大型资产需要服务团队前往现场设备。现在,AIoT解决方案可以在现场对资产进行分析,从而可以立即采取纠正措施。

虽然AIoT已经在工业领域中使用,但仍处于起步阶段。在大多数应用中,IIoT和AI应用并未取代本地控制工程功能。Moxa欧洲公司工业物联网负责人Hermann Berg表示," AIoT可以提高透明度,并在整个公司内外提供见解,而当前的控制工程功能将继续负责'本地反射'。IIoT和AI会触发异常检测、预测性维护、启动恢复和优化任务等行为,而即时的'反射'则仍由现有的本地控制系统执行。"