Gebhardt integra AIoT y analítica de borde para armonía operativa sin fisuras

El IoT y la IA son tendencias tecnológicas separadas que ambas están causando revuelo en la industria. El IoT puede conectar dispositivos entre sí, dando y recibiendo señales como un sistema nervioso. En contraste, la IA puede actuar como un cerebro, usando datos para tomar decisiones informadas que controlan el sistema general. Cuando se unen, los dos son capaces de ofrecer sistemas inteligentes y conectados que pueden auto-corregirse y auto-repararse —formando lo que denominamos Inteligencia Artificial de las Cosas (AIoT).

Las tecnologías IoT convencionales como la computación en la nube y la comunicación máquina a máquina (M2M) han permitido a los fabricantes completar tres tareas clave: conectar máquinas, almacenar datos y hacer que esos datos sean significativos. Ahora, con la introducción de AIoT, pueden beneficiarse de una cuarta capacidad —actuar.

Sin embargo, para hacer factible AIoT, los fabricantes necesitan un sistema de gestión de datos que pueda soportar la toma de decisiones rápida. Aunque el almacenamiento en la nube es posible, analizar los datos más cerca de su fuente —en el borde— lleva AIoT al siguiente nivel.

Producción optimizada

Para desbloquear el poder de la IA, las decisiones deben tomarse con la menor latencia posible. Si el sistema de IA recibe una alerta de que hay una falla en la máquina, o la velocidad o patrón de movimiento de una máquina debe alterarse para operaciones más productivas, puede actuar sobre estos conocimientos inmediatamente y detener o alterar la producción. Al integrar el sistema de IA en el borde, en lugar de la nube, los fabricantes pueden desbloquear el valor de latencia ultra-baja, permitiendo que las máquinas se apaguen lo más rápido posible y menos productos resulten dañados o defectuosos.

Para integrar AIoT en el borde, los líderes de la industria primero deben construir un modelo de IA fuera de línea. Luego deben entrenar el modelo usando conjuntos de datos almacenados previamente hasta que cumpla los requisitos antes de exportarlo y aplicarlo en línea con nuevos datos en vivo.

Sin embargo, aplicar el modelo a datos en tiempo real en un escenario en línea es muy diferente a probarlo en datos almacenados que ya han sido ordenados en la etapa de entrenamiento. Los datos en tiempo real no han sido filtrados ni categorizados, y cada conjunto puede llegar en diferentes momentos, creando un caos de información para el AIoT.

Entra la analítica de borde

Para dar sentido a los datos, deben procesarse antes de que puedan ser usados por el AIoT. Ahí es donde entra la analítica de borde. Como ejemplo, la plataforma Crosser es una plataforma de software de bajo código para análisis de streaming, automatización e integración para cualquier borde, on-premise o nube. El objetivo es eliminar la complejidad, simplificar el desarrollo y permitir a no programadores innovar más rápido con un costo total de propiedad dramáticamente menor.

Un sistema como la plataforma Crosser puede ayudar a preparar los datos de varias maneras antes de que lleguen al AIoT. Por ejemplo, puede armonizar datos de la amplia variedad de máquinas en la planta, que podrían estar en diferentes formatos ya que han viajado desde múltiples fuentes.

Los datos de diferentes fuentes y formatos son agregados por la plataforma a intervalos regulares. Además, si las fuentes de datos tienen diferentes tasas de muestreo, entonces la plataforma puede rellenar valores intermedios para que los modelos puedan actualizarse con nuevos datos de todos los sensores en cada actualización. También puede crear diferentes tipos de ventanas sobre datos de series temporales.

La plataforma también se puede usar para extracción de características. Dependiendo del modelo que se use, se pueden necesitar crear características adicionales a partir de los datos en bruto. Esto podría ser, por ejemplo, tomar datos de vibración y convertirlos del dominio del tiempo al dominio de la frecuencia. Todos estos pasos optimizan los datos antes de que lleguen al AIoT.

El ejemplo de Gebhardt

Así es como la plataforma de Crosser permitió al fabricante de soluciones de automatización de almacenes Gebhardt Intralogistics Group, Sinsheim, Alemania, implementar una estrategia AIoT. Gebhardt produce lanzaderas inteligentes para mover contenedores rápidamente por un almacén. Buscaba una solución de detección de anomalías para identificar fallas operativas causadas por vibraciones en la lanzadera para minimizar costos de mantenimiento.

Usando Flow Studio de Crosser, Gebhardt pudo procesar, armonizar y filtrar datos en tiempo real en el borde y luego usar IA para aprender de los datos recopilados con el fin de implementar mantenimiento predictivo para mayor disponibilidad de máquinas y vida útil extendida de activos.

Es cierto que la inteligencia de máquina tiene gran poder, pero otras tecnologías de apoyo pueden ayudar a descubrir su pleno potencial. Los líderes de la industria que integran AIoT en el borde pueden cosechar los beneficios de un sistema de control eficiente y reactivo —optimizando procesos, rápido.