“物联网”，边缘分析在 Gebhardt 创造和谐

物联网和人工智能是独立的技术趋势，它们都在行业中掀起波澜。物联网可以将设备连接在一起，像神经系统一样发出和接收信号。相比之下，人工智能可以充当大脑，使用数据做出控制整个系统的明智决策。当两者结合在一起时，它们能够提供能够自我纠正和自我修复的智能连接系统——形成我们所说的物联网 (AIoT)。

云计算和机器对机器 (M2M) 通信等传统物联网技术使制造商能够完成三项关键任务：连接机器、存储数据并使数据变得有意义。现在，随着 AIoT 的引入，他们可以受益于第四种能力——行动。

然而，为了使 AIoT 可行，制造商需要一个能够支持快速决策的数据管理系统。虽然云存储是可能的，但分析更接近其来源的数据（在边缘）将 AIoT 提升到一个新的水平。

简化生产

为了释放人工智能的力量，需要以尽可能少的延迟做出决策。如果 AI 系统收到有关机器故障的警报，或者应该改变机器的速度或运动模式以提高生产效率，它可以立即根据这些见解采取行动并停止或改变生产。通过在边缘而非云端集成 AI 系统，制造商可以释放超低延迟的价值，让机器尽快关闭，减少产品损坏或缺陷。

为了在边缘集成 AIoT，行业领导者必须首先离线构建 AI 模型。然后，他们必须使用先前存储的数据集训练模型，直到它满足要求，然后才能将其与新的实时数据一起在线导出和应用。

但是，将模型应用于在线场景中的实时数据与在训练阶段已经排序的存储数据上进行测试是非常不同的。实时数据没有经过过滤和分类，每组可能到达不同的时间，给AIoT造成信息混乱。

进入边缘分析

为了理解数据，必须先对其进行处理，然后才能被 AIoT 使用。这就是边缘分析的用武之地。例如，Crosser Platform 是一个低代码软件平台，用于任何边缘、本地或云的流分析、自动化和集成。其目的是消除复杂性、简化开发并使非程序员能够以显着降低的总拥有成本更快地进行创新。

Crosser 平台等系统可以在数据到达 AIoT 之前以多种方式帮助准备数据。例如，它可以协调来自工厂车间各种机器的数据，这些数据可能具有不同的格式，因为它来自多个来源。

平台定期汇总来自不同来源和格式的数据。此外，如果数据源具有不同的采样率，那么平台可以填充中间值，以便在每次更新中使用来自所有传感器的新数据来更新模型。它还可以随时间序列数据创建不同类型的窗口。

该平台还可用于特征提取。根据所使用的模型，可能需要从原始数据中创建附加特征。例如，这可以是获取振动数据并将其从时域转换为频域。所有这些步骤都在数据到达 AIoT 之前对其进行了简化。

格布哈特示例

这就是 Crosser 的平台如何让德国辛斯海姆的仓库自动化解决方案制造商 Gebhardt Intralogistics Group 实施 AIoT 战略。 Gebhardt 生产智能穿梭车，可在整个仓库中快速移动集装箱。它正在寻找一种异常检测解决方案，以识别由航天飞机振动引起的操作故障，从而最大限度地降低维护成本。

使用 Crosser 的 Flow Studio，Gebhardt 能够在边缘实时处理、协调和过滤数据，然后使用 AI 从收集的数据中学习，以实施预测性维护，以提高机器可用性和延长资产寿命。

机器智能确实拥有强大的力量，但其他支持技术可以帮助发掘其全部潜力。在边缘集成 AIoT 的行业领导者可以从高效且反应灵敏的控制系统中获益——快速优化流程。