Gebhardt 融合 AIoT 与边缘分析 实现无缝运营协同
物联网（IoT）和人工智能（AI）是工业界掀起波澜的两大独立技术趋势。IoT 如神经系统连接设备、收发信号。相比之下，AI 如大脑，利用数据做出明智决策控制整体系统。两者结合，能交付能自我纠正、自我修复的智能连接系统——形成我们称之为的万物智联（AIoT）。
传统 IoT 技术如云计算和机器对机器（M2M）通信，让制造商完成三大关键任务：连接机器、存储数据、让数据有意义。现在，AIoT 引入第四种能力——行动。
然而，要让 AIoT 落地，制造商需要支持快速决策的数据管理系统。云存储虽可行，但更靠近数据源头——在边缘——分析数据，将 AIoT 推向新高度。
精简生产
要释放 AI 力量，决策需尽可能低延迟。若 AI 系统收到机器故障警报，或为更高效运营需改变机器速度或运动模式，它能即刻依据洞察行动，停止或调整生产。在边缘而非云端集成 AI 系统，制造商可解锁超低延迟价值，让机器尽快停机，减少次品或缺陷品。
要在边缘集成 AIoT，行业领导者必须先离线构建 AI 模型。然后用先前存储的数据集训练模型至达标，再导出应用到新实时数据的在线场景。
然而，将模型应用到在线实时数据场景，与在训练阶段已排序的存储数据测试截然不同。实时数据未经过滤分类，各数据集到达时间不同，给 AIoT 制造信息混乱。
边缘分析登场
为理清数据，必须在数据到达 AIoT 前处理。这就是边缘分析的用武之地。例如，Crosser Platform 是一款面向任意边缘、本地或云的低代码流式分析、自动化和集成软件平台。旨在消除复杂性、简化开发，让非程序员以大幅降低的总拥有成本更快创新。
Crosser Platform 等系统可在数据到达 AIoT 前以多种方式预处理。例如，它能协调车间各类机器的数据，这些数据可能来自多源、格式各异。
平台定期聚合不同来源和格式的数据。此外，若数据源采样率不同，平台可填充中间值，使模型每次更新都能从所有传感器获取新数据。还可对时间序列数据创建不同时间窗口。
平台还可用于特征提取。视模型而定，可能需要从原始数据创建额外特征。例如，将振动数据从时域转换到频域。所有这些步骤在数据到达 AIoT 前完成流线化处理。
Gebhardt 案例
Crosser 平台如何助力德国辛斯海姆的仓储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，在仓库快速移动容器。寻求异常检测方案，识别穿梭车振动引起的运行故障，以最小化维护成本。
使用 Crosser 的 Flow Studio，Gebhardt 能在边缘实时处理、协调、过滤数据，再用 AI 从收集数据中学习，实施预测性维护，提高机器可用性和延长资产寿命。
机器智能大有可为，但其他支撑技术能帮挖掘其全部潜力。在边缘集成 AIoT 的行业领导者将收获高效反应式控制系统红利——快速优化流程。
自动化控制系统