Heim > Artikel > Technologie-Peripheriegeräte > „Konzentrieren Sie sich auf ausgereifte Machine-Learning-Anwendungen mit Investitionswert“
Seit mehr als einem Jahrzehnt ist das Internet der Dinge (IoT) stetig gewachsen, angetrieben durch die Verbreitung vernetzter Geräte. Die heutigen Milliarden vernetzter Geräte bieten Unternehmen beispiellose Möglichkeiten, Daten aus der physischen Welt zu sammeln und zu analysieren, um ihre Geschäftsprozesse zu verbessern. In einigen Fällen treiben sie auch neuartige und erfolgreiche Geschäftsmodelle voran und veranlassen Unternehmen, auf der Welle der IoT-Einführung mitzureiten.
In den meisten Fällen verarbeiten Unternehmen IoT-Daten in Edge-Clustern oder Clouds, nicht in Edge-Geräten und Mikrocontrollern. Das Aufkommen von eingebettetem maschinellem Lernen und TinyML durchbricht dieses Paradigma und drängt die Anwendungsintelligenz an den Rand des IoT-Netzwerks. Wie im ersten Artikel dieser Serie erwähnt, bietet dies erhebliche Vorteile, darunter:
Die Vorteile sind greifbar und haben klare Geschäftsrelevanz. Die Möglichkeit für Unternehmen, mehr Daten und Prozesse am Rande des Netzwerks zu nutzen, kann die Geschäftseffizienz steigern, was sich direkt in finanziellen Gewinnen und höheren Unternehmensgewinnen niederschlägt. Eingebettetes maschinelles Lernen verändert die künstliche Intelligenz und das IoT-Computing und kann die Unternehmensproduktivität steigern. Hier sind 5 Anwendungsfälle für Industrieunternehmen, die eingebettetes maschinelles Lernen einsetzen.
Die meisten Industrieunternehmen warten Anlagen auf der Grundlage eines vorbeugenden Wartungsansatzes, der auf der regelmäßigen Wartung oder dem Austausch von Maschinen und Werkzeugen usw. basiert. Diese Intervalle werden durch die Wartungsrichtlinien des Geräteherstellers bestimmt. Dieser Ansatz trägt dazu bei, katastrophale Produktionsausfälle zu vermeiden, da die Anlagen häufig gewartet werden, bevor es zu Ausfällen kommt. Vorbeugende Wartung führt jedoch zu einer suboptimalen Anlagenauslastung, da Anlagen immer vorzeitig ausgetauscht werden.
Das Aufkommen von Industrie 4.0 und dem industriellen Internet der Dinge ermöglicht es Industrieunternehmen, eine zustandsbasierte Überwachung ihrer Anlagen zu implementieren. Durch die Nutzung digitaler Daten von Sensoren (z. B. Vibrationssensoren, Temperatursensoren, Wärmebildern) und Asset-Management-Systemen können Unternehmen nun in Echtzeit Einblick in den Status von Industrieanlagen wie Werkzeugen und Maschinen erhalten. Darüber hinaus können sie mithilfe von Algorithmen für maschinelles Lernen prädiktive Einblicke in die verbleibende Nutzungsdauer (RUL) ihrer Vermögenswerte gewinnen. In einigen Fällen ermöglichen zuverlässige RUL-Schätzungen Industrieunternehmen, vorbeugende Wartung in vorausschauende Wartung umzuwandeln. Vorausschauende Wartung ist die ultimative Vision für Wartungs- und Reparaturvorgänge, um eine optimale Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE) zu erreichen. Zustandsbasierte Überwachung und vorausschauende Wartung können Unternehmen dabei helfen, die Anlagenauslastung zu verbessern, Produktionsausfallzeiten zu reduzieren, Verschwendung durch Geräteausfälle zu vermeiden und Wartungsaufgaben zum optimalen Zeitpunkt zu planen. Die vorausschauende Wartung gilt als eine der Killeranwendungen der vierten industriellen Revolution (Industrie 4.0): Sie hat einen spürbaren Return on Investment und ist auf nahezu alle Industriesektoren anwendbar, darunter Fertigung, Energie, Bauwesen, intelligente Gebäude, Öl und Gas usw Bergbau usw.
Die meisten vorausschauenden Wartungseinsätze übertragen und analysieren Daten in der Cloud. Dieser Ansatz weist betriebliche Einschränkungen auf. Beispielsweise sind Fehlervorhersagen aus Cloud-basierten maschinellen Lernanalysen nicht immer schnell genug, um geeignete Abhilfe- oder Vorbeugungsmaßnahmen zu ergreifen. Eingebettetes maschinelles Lernen bietet einen erheblichen Mehrwert für die vorausschauende Wartung und Zustandsüberwachung: Es generiert Erkenntnisse in Echtzeit und ermöglicht eine Entscheidungsfindung in Echtzeit. Maschinelles Lernen wird direkt auf einem Datenerfassungsgerät oder Mikrocontroller in der Maschine durchgeführt, sodass Industrieunternehmen den Status verschiedener Anlagen zeitnah und genau verstehen können. Dadurch wird das Potenzial für Echtzeit-Entscheidungen auf der Grundlage tatsächlicher Anlagenbedingungen freigesetzt. Insgesamt verbessert eingebettetes maschinelles Lernen die Effizienz von Predictive-Maintenance-Anwendungen, erhöht die Anlagenauslastung und optimiert die Qualität ihrer Dienste.
Maschinelles Lernen hat in letzter Zeit neue Horizonte für das Qualitätsmanagement in Fertigungs- und Produktionsabläufen eröffnet. Konkret vermittelt es das Konzept der Vorhersagequalität, also der Fähigkeit, Qualitätsprobleme vorherzusagen, bevor sie auftreten. In diesem Zusammenhang werden Techniken des maschinellen Lernens, einschließlich Deep Learning, auf die Produktionslinie angewendet. Der Zweck seiner Algorithmen besteht darin, Bedingungen oder Muster, die zu Produktfehlern führen, proaktiv zu identifizieren. Auf dieser Grundlage kann der Betriebsleiter Abhilfemaßnahmen ergreifen, um das Auftreten von Mängeln zu verhindern. Darüber hinaus können Techniken des maschinellen Lernens verwendet werden, um Muster im Zusammenhang mit anderen Parametern wie Kosten und Umweltleistung zu optimieren.
Eingebettetes maschinelles Lernen bietet einen erheblichen Mehrwert für die oben genannten Anwendungsfälle im Qualitätsmanagement. Insbesondere bietet es eine Möglichkeit, auf der Grundlage der Datenverarbeitung innerhalb eines Geräts prädiktive Erkenntnisse über potenzielle Defekte zu gewinnen. Diese Erkenntnisse können mit Informationen aus der Cloud-Analyse kombiniert werden, um Prozess- und Kontrollparameter zu identifizieren, die zu Qualitätsproblemen führen. Ebenso lassen sich damit mehrere Parameter gleichzeitig optimieren und so eine fehlerfreie Fertigung ermöglichen. Durch eingebettetes maschinelles Lernen erhalten Werksleiter und Qualitätsingenieure daher in Echtzeit Informationen über Mängel auf Anlagenebene, die das vorhandene Wissen über Qualitätsmanagementfragen ergänzen. Daher ermöglicht es Unternehmen, sich bei der Umsetzung von Qualitätsmanagementstrategien wie Total Quality Management (TQM) und Six Sigma hervorzuheben. Insgesamt können Industrieunternehmen eingebettetes maschinelles Lernen nutzen, um ihr vorhandenes Qualitätsmanagementwissen zu ergänzen und so die Produktqualität zu verbessern und gleichzeitig Produktionszeit und -kosten zu reduzieren.
In den letzten Jahren hatte das Internet der Dinge einen transformativen Einfluss auf intelligente Gebäude- und Facility-Management-Anwendungen. Durch den Einsatz von Sensoren in Gebäuden und anderen Immobilienwerten können Immobilieneigentümer in Echtzeit auf aktuelle Informationen über den Status ihrer Immobilien zugreifen. Basierend auf diesen Informationen können sie den Betrieb von HVAC-Systemen (Heizung, Lüftung und Klimaanlage) optimieren, um Kosten zu sparen und ihre Umweltkennzahlen zu verbessern. In diesem Zusammenhang sind Anwendungen zur Belegungsüberwachung sehr wichtig.
Genaues Verständnis der Belegung von Räumen und anderen physischen Vermögenswerten wie Schreibtischen, Computern und Büroräumen basierend auf der Verarbeitung von Daten von Temperatur- und anderen Sensoren. Dies ist der Schlüssel zur Optimierung der Energieeffizienz und zur Maximierung des Mietkomforts. Darüber hinaus bietet es Facility Managern Echtzeiteinblicke in die Anlagennutzung, sodass sie deren Nutzung planen und ihre Gesamtproduktivität verbessern können. In den letzten Monaten ist die Nachfrage nach solchen Anwendungen zur Belegungsüberwachung aufgrund des COVID-19-Ausbruchs stark angestiegen. Letzteres hat zur Einführung umfassender Telearbeitsrichtlinien geführt, was es für Facility Manager schwieriger gemacht hat, die Belegungsmuster von Anlagen zu überwachen und vorherzusagen. Sensoren und IoT-Anwendungen können ihnen helfen, indem sie zuverlässige und zeitnahe Informationen über die physische Anwesenheit der Mieter in verschiedenen Räumen liefern.
In Facility-Management-Umgebungen verbessert eingebettetes maschinelles Lernen die Nachhaltigkeit und Genauigkeit von Belegungsmanagementanwendungen. Insbesondere kann damit eine statistische Datenanalyse innerhalb von Belegungsüberwachungssensoren durchgeführt werden, ohne dass mehrere Sensorwerte über ein Cloud-Gateway aggregiert werden müssen. Dies verbessert die Genauigkeit und Aktualität der Überwachung und trägt gleichzeitig zur Reduzierung der CO2-Emissionen bei. Eingebettetes maschinelles Lernen ist wichtig, da Facility Manager sich dem IoT zuwenden, um Emissionen zu reduzieren und ehrgeizige Nachhaltigkeitsziele zu erreichen. Auf diese Weise stärken sie ihr Markenimage und erhöhen die Einhaltung relevanter Vorschriften. Beispielsweise verlangt der jüngste New York City Climate Mobilization Act (CMA), dass Gebäude energieeffizienter sein müssen. Konkret schreibt es vor, dass Gebäude mit einer Fläche von mehr als 25.000 Quadratfuß die Treibhausgasemissionen bis 2030 um 40 % und bis 2050 um 80 % im Vergleich zum Niveau von 2005 reduzieren müssen. Insgesamt ist eingebettetes maschinelles Lernen ein leistungsstarkes Werkzeug für energieeffiziente Facility-Management-Anwendungen der nächsten Generation.
In den letzten Jahren sind IoT-Systeme und eingebettete Geräte in den Agrarbereich vorgedrungen und haben Präzisionslandwirtschaft ermöglicht. Ein prominentes Beispiel ist, dass Sensoren und allgegenwärtige vernetzte Geräte wie Beacons, RFID-Tags und spezielle eingebettete Sensoren (wie Magensensoren) zunehmend in Nutztiere implantiert werden, damit Landwirte sie überwachen können. Zu diesem Zweck neigen relevante IoT-Anwendungen dazu, Rohdaten über den Zustand von Rindern zur ordnungsgemäßen Analyse in die Cloud zu übertragen. In einigen Fällen kann dieser Ansatz jedoch ineffizient oder sogar undurchführbar sein, da die meisten Rinderherden in Freilandhaltungen mit einer Größe von mehreren Tausend Hektar leben. In dieser Situation reicht die Netzwerkkonnektivität (z. B. IoT-Netzwerke mit kurzer Reichweite) möglicherweise nicht aus, um die erforderliche Dienstqualität während des Datenaggregationsprozesses zu unterstützen. Darüber hinaus benötigen solche Geräte häufig Batteriestrom, was zu Problemen bei der Energieautonomie führt.
Embedded Machine Learning und TinyML leisten erhebliche Hilfe bei der Minderung dieser Einschränkungen. Die Datenanalyse erfolgt am Viehbestand, wodurch die Datenmenge, die an das Anwendungs-Backend übertragen werden muss, erheblich reduziert wird. Anstatt einen kontinuierlichen Datenstrom zu sammeln, können durch den Einsatz von maschinellem Lernen auf eingebetteten Geräten Daten regelmäßig (z. B. stündlich) gestreamt werden. Dadurch können Landwirte Einblicke in den Zustand ihrer Tiere und deren Aktivitäten (z. B. Ruhen, Leiden oder Brüllen) erhalten. Diese Erkenntnisse ermöglichen es Landwirten, fundierte Entscheidungen über Produktionsprozesse wie Melken und Schlachten zu treffen. Insgesamt hilft eingebettetes maschinelles Lernen Landwirten, die Vorteile präziser Viehbestandsüberwachungssysteme in Situationen zu nutzen, in denen herkömmliche Cloud-Verarbeitung unmöglich oder ineffektiv ist.
Maschinelles Lernen und Computational Intelligence-Techniken werden auch in Krisenmanagement- und Zivilschutzanwendungen eingesetzt, einschließlich der Vorhersage von Erdbeben und Waldbränden. Dabei werden häufig Daten verschiedener Sensoren aggregiert und in der Cloud verarbeitet. Bei der Krisenbewältigung ist jedoch Zeit von entscheidender Bedeutung: Der Erfolg von Krisenbewältigungsmaßnahmen hängt weitgehend von der Aktualität der Prognosen der Krisenbewältigungsindikatoren ab. Beispielsweise könnte die frühere Erkennung von Erdbebenwarnzeichen zu schnelleren und wirksameren Maßnahmen führen. Dies ist ein Bereich, in dem eingebettetes maschinelles Lernen von großem Wert ist.
Beim Waldbrandmanagement kann eingebettetes maschinelles Lernen Zuverlässigkeit und Einsatzvorteile bieten, ähnlich wie bei der Überwachung von Rindern. Insbesondere die Ausführung statistischer Modelle in eingebetteten Sensoren könnte die rechtzeitige Vorhersage von Waldbränden erleichtern, ohne dass starke Netzwerkverbindungen und batteriebetriebene Geräte erforderlich sind.
Eingebettetes maschinelles Lernen hat ein breites Anwendungsspektrum, und sein Anwendungsbereich ist nicht auf die oben genannten fünf beschränkt. In der Präzisionslandwirtschaft kann es beispielsweise Pflanzenkrankheiten direkt an Pflanzen erkennen, ohne dass verschiedene Datenströme aggregiert werden müssen in der Cloud und Analyse. Ein weiteres Beispiel ist, dass es präzise Kühlintelligenzanwendungen ermöglicht, die die Temperatur empfindlicher Produkte wie Lebensmittel, Getränke und Arzneimittel direkt analysieren, ohne dass die Umgebungstemperatur zur Schätzung von Temperaturanomalien herangezogen werden muss. Insgesamt eröffnet eingebettetes maschinelles Lernen nahezu unbegrenzte Möglichkeiten für Innovationen in vielen verschiedenen Bereichen.
Die Entwicklung und Bereitstellung eingebetteter maschineller Lernanwendungen in industriellen Umgebungen ist jedoch nicht einfach. Jeder Implementierungsschritt muss sorgfältig geplant werden, um den strengen industriellen Anforderungen gerecht zu werden. Von der Auswahl des richtigen eingebetteten Geräts über die Beschaffung ausreichender Trainingsdaten bis hin zur Implementierung des richtigen Modells für maschinelles Lernen müssen Entwickler und Bereitsteller sorgfältige Entscheidungen treffen.
Das obige ist der detaillierte Inhalt von„Konzentrieren Sie sich auf ausgereifte Machine-Learning-Anwendungen mit Investitionswert“. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!