Data op het snijvlak van AI en IoT gebruiken om waarde te genereren

Data genereren is niets nieuws voor fabrieken die een concurrentievoordeel willen behalen. Maar innovatieve manieren gebruiken om uit die data waarde te genereren is baanbrekend.

(Bron afbeelding: Weidmüller)

Nieuwe datagestuurde diensten vormen voor ingenieurs en fabrikanten een inspiratie om winstgevende en efficiënte bedrijfsmodellen te ontwikkelen waarmee slimme fabrieken met geavanceerde technologie kunnen worden gecreëerd om producten van hogere kwaliteit tegen lagere kosten te kunnen bouwen.

Maar hoe gaan fabrikanten te werk om waarde uit data te halen? Veel fabrikanten halen inspiratie uit kunstmatige intelligentie (AI) en het snijvlak hiervan met het industriële Internet of Things (IIoT). Ontwikkelingen in algoritmes voor automatisch leren en het verzamelen en verfijnen van data leiden tot hogere efficiëntie en productiviteit.

Wat in eerste instantie erg gecompliceerd lijkt, blijkt door de aanwijsbare voordelen van slimme fabrieken te kunnen worden bereikt.

Methodes voor kunstmatige intelligentie en met name voor automatisch leren zijn de tools om de machinedata te analyseren. Waardoor het mogelijk wordt de data te koppelen en nog niet eerder onderkende correlaties te vinden.

Het concept van Weidmüller is een eenvoudige toepassing van AI door middel van software voor geautomatiseerd leren voor het ontwerpen van machines en fabrieken. Hiervoor hebben we het gebruik van automatisch leren voor industriële toepassingen zover gestandaardiseerd en vereenvoudigd dat domeinexperts zonder specialistische kennis van datawetenschappen hun eigen datagestuurde oplossingen kunnen genereren.

Een softwaretool begeleidt de gebruiker tijdens de ontwikkeling van het model. Machine- en procesexperts kunnen via automatisch leren eenvoudig modellen bouwen, aanpassen en uitvoeren zonder assistentie van datawetenschappers om stilstand en fouten te minimaliseren, onderhoud te optimaliseren en de productkwaliteit te verbeteren. De software helpt bij het vertalen en opslaan van de complexe kennis van de toepassing tot een betrouwbare toepassing van automatisch leren.

Geautomatiseerd leren kan in veel gebieden worden toegepast, van detectie van afwijkingen en de classificatie ervan tot het voorspellen van fouten. Maar om afwijkingen te detecteren en op basis daarvan voorspellingen te doen voor predictief onderhoud moeten de data eerst worden verzameld en gecorreleerd. Meestal zijn er voldoende data die relevant zijn voor de machine- en fabrieksprocessen. De data worden door methodes voor automatisch leren geanalyseerd om hier waarde uit te genereren en geschikte methodes te ontwikkelen.

We denken dat het eenvoudig is hiermee tot industriële IoT te komen. We ondersteunen op vier verschillende niveaus oplossingen, die we als bouwstenen opvatten:

1. Data-analyse en bedrijfslogica: aanwijsbare toegevoegde waarde behalen met datagestuurde digitale diensten.
2. Datacommunicatie: communicatie tussen meerdere netwerken op het hoogste beveiligingsniveau door de data betrouwbaar door de netwerkinfrastructuur te transporteren.
3. Datavoorverwerking: datastromen en kosten beperken door middel van Edge technologie, bijvoorbeeld controllers, I/O-systemen en energiemeters.
4. Data-acquisitie: toegang krijgen tot betrouwbare, waardevolle data in nieuwbouw- en upgradetoepassingen met controllers, machines, sensoren, meters en analoge signaalconverters.

Extra waarde uit data verkrijgen start bij het gebruik van kunstmatige intelligentie. Dit kan zo simpel zijn als een waarschuwingssignaal. Of het kan voor AI met automatisch leren worden gebruikt. We gebruiken deze vier bouwstenen om het gedrag van de machines te kennen en te begrijpen door AI en IoT te combineren, waardoor we waarde uit data kunnen genereren. Bekijk onze serie video's Future Factories om meer te weten te komen over het baanbrekende gebruik dat Weidmuller in industriële automatisering maakt van geautomatiseerd leren door middel van kunstmatige intelligentie.