IOT et industrie : Analytics at the Edge pourrait aider les fabricants avec une maintenance prédictive

Il y a beaucoup de battage médiatique ces derniers temps autour de l'intelligence artificielle, de l'informatique de pointe et de l'Internet des objets, mais les fabricants ont besoin de solutions pour les aider à être compétitifs. La connexion de nombreux appareils tels que des robots et des capteurs génère de grandes quantités de données, ce qui rend la rationalisation des opérations industrielles difficile. Comment l'automatisation et l'analyse du Big Data peuvent-elles aider?
Robotics Business Review a récemment demandé à John Crupi, vice-président des analyses IoT chez Greenwave Systems, comment la fabrication intelligente peut tirer parti de l'analyse et de l'Internet des objets industriel (IIoT). Il a expliqué comment l'informatique de pointe et la maintenance prédictive peuvent aider à créer de la valeur de production.
Q: Quels sont les défis les plus urgents auxquels sont confrontés les fabricants modernes, et comment l'automatisation et l'IoT peuvent-ils aider?
Crupi: Savoir par où commencer est le plus grand défi. L'IoT a besoin d'une infrastructure de bout en bout, et c'est écrasant pour les fabricants, qui peuvent ne pas avoir l'équipe ou l'expertise pour créer une architecture d'analyse connectée qui traite de l'infrastructure suivante:

Sécurité au bord
Connectivité de la machine à la passerelle industrielle
Fournisseur de cloud, services cloud et évolutivité cloud
Connectivité sécurisée au cloud et retour
Informatique de bord et analyse
Analyse cloud en temps réel et historique
Gestion des appareils et mises à jour logicielles

Et ce n'est que l'infrastructure et l'architecture nécessaires pour prendre en charge la résolution de leurs problèmes commerciaux. Heureusement, les fournisseurs de méga cloud de confiance, Amazon et Microsoft, font un excellent travail en aidant les clients de l'IoT industriel à se connecter et à s'acclimater à leur cloud et, plus important encore, à faire confiance à leur sécurité de bout en bout.
En outre, Amazon et Microsoft facilitent encore plus la tâche des clients pour «étendre» le cloud jusqu'aux périphéries en introduisant un logiciel de périphérie qui fournit la connectivité et la sécurité dans le cloud, ainsi que la gestion des appareils.
Q: Nous avons beaucoup entendu parler de l'IIoT, mais combien est-il réellement utilisé aujourd'hui? Comment évolue le marché?
Crupi: Bien que l'IoT industriel existe depuis un certain temps et s'appelait M2M – machine-to-machine – dans sa vie antérieure. Il a de nombreuses étapes de maturité qui vont de la connectivité à l'accès et à la gestion à distance en passant par la surveillance et l'analyse des données connectées.
John Crupi, vice-président de l'analyse IoT chez Greenwave Systems
De nombreuses organisations ne sont qu'au début de leur parcours vers des solutions IoT à part entière. L'adoption se développe enfin rapidement, mais ce n'est pas quelque chose qui se produira du jour au lendemain.
La bonne nouvelle est que la connectivité sécurisée aux fournisseurs de cloud fiables est ouverte à tous pour «essayer avant d'acheter», puis basculer un commutateur pour passer à la production. Ce n'est pas si simple, mais les outils (et un excellent marketing) atténuent les difficultés d'intégration traditionnelles et accélèrent les solutions de bout en bout.
Mais il y a plus. Les clients sont très intéressés par l'apprentissage automatique et l'intelligence artificielle appliqués à la maintenance prédictive industrielle. Dans le même temps, Microsoft et Amazon déploient des outils et des accélérateurs afin que vous n'ayez pas à être un data scientist pour vous lancer dans l'apprentissage automatique. Cependant, vous devez avoir accès à vos propres scientifiques des données.
Le gros avantage est que toutes les machines sont connectées et analysées en temps réel, et que les modèles d'apprentissage automatique prédisent des anomalies qui résolvent les problèmes réels de manière nouvelle et passionnante. Les progrès continus de l'apprentissage automatique et de l'IA permettent aux entreprises d'exiger ces outils dans le cadre de leur stratégie IIoT.
Q: Nous connaissons l'informatique de pointe pour des fonctions telles que la perception et la navigation pour les robots, mais que peut-elle faire d'autre?
Crupi: Ce qui peut être perdu au milieu de fonctions plus populaires comme la perception et la navigation, c'est la capacité de Edge computing à mieux gérer et réduire les dysfonctionnements coûteux des équipements.
La possibilité d'effectuer une maintenance prédictive, qui vous avertit de ce qui est susceptible de se produire avant qu'un dysfonctionnement critique ne se produise, est extrêmement précieuse dans les industries à forte intensité d'actifs comme la robotique. Il peut donner aux entreprises une vue plus précise de la santé des équipements.
Analyse des contours par rapport au cloud
Q: Quels sont les avantages de l'informatique de pointe par rapport à l'analyse et à la gestion des mégadonnées dans le cloud?
Crupi: «Analytics at the edge» est une nouvelle génération d'analyses qui s'exécute sur l'appareil ou sur une passerelle à laquelle un ou plusieurs appareils sont connectés. De plus en plus d'entreprises l'adoptent pour une puissance de traitement accrue sur le périphérique périphérique, une quantité toujours croissante de données en temps réel provenant des périphériques et le besoin de reconnaissance de modèle sur le périphérique et de détection des anomalies.
Les analyses dans le cloud sont généralement associées à un «traitement par lots» de quantités incroyables de mégadonnées utilisant des milliers de processeurs pour répartir les charges. Les données sont ensuite traitées pour obtenir des résultats.

L'analyse de périphérie adopte une approche similaire, mais exploite toute la puissance de traitement pour analyser les données au fur et à mesure qu'elles circulent. Ensuite, elle transmet les analyses, les modèles et les résultats des anomalies détectées au cloud pour le traitement en temps réel et historique de deuxième étape.
En effectuant un traitement en périphérie, vous obtenez non seulement des résultats en temps réel pour les visualisations et les informations, mais vous réduisez également considérablement la quantité de données qui circulent dans le cloud. Nous appelons parfois cette «communication IoT allégée». Ceci est important pour les connexions cellulaires et satellites coûteuses et les problèmes de bande passante globale.
Il est également très utile pour les problèmes d'analyse IoT en temps réel et efficaces en temps réel. Les cas d'utilisation les mieux adaptés à l'analyse de périphérie sont ceux qui nécessitent des solutions sensibles au temps pour agir en quelques secondes ou minutes, et non en jours ou semaines.
Sécuriser l'IIoT une priorité
Q: Quels sont les plus grands défis pour les entreprises qui souhaitent adopter et utiliser l'IIoT?
Crupi: La sécurité, les normes de connectivité, l'architecture analytique et la fragmentation du marché sont quelques problèmes qui empêchent les entreprises d'adopter IIoT.
Les problèmes de cybersécurité de l'IIoT sont réels et peuvent être extrêmement dévastateurs. Tout de DDoS [distributed denial-of-service] les attaques visant à détourner un système industriel sont très préoccupantes.
Beaucoup de ces systèmes industriels n'ont jamais été conçus pour être sur un réseau en dehors de leur environnement, encore moins sur Internet. Par conséquent, tous les systèmes industriels de l'architecture IIoT doivent être protégés et renforcés contre les attaques extérieures et les problèmes d'infiltration. Une fois connecté, nous devons déterminer comment communiquer et gérer les données machine; c'est là que les normes de connectivité jouent un rôle crucial.
Si la connectivité IIoT est le moyen de fournir des données de capteur, le plus grand défi consiste alors à concevoir l'architecture pour l'analyse. L'analytique peut se produire à de nombreux points dans un système IIoT car il existe de nombreux niveaux architecturaux à partir desquels les données de la machine se déplacent de l'appareil au cloud.
Le succès de l’analyse IIoT ne sera pas de vider des données dans le cloud et de les analyser. Au lieu de cela, ce sera la combinaison d'analyses de bord et de cloud en temps réel fonctionnant en harmonie.
Un quatrième obstacle freinant l’IIoT concerne la fragmentation du marché. Il y a trop peu de fournisseurs offrant des solutions de bout en bout, les clients doivent donc s'adresser à plusieurs fournisseurs pour le matériel, les logiciels, les services d'intégration / d'implémentation et la formation.
Analytique en temps réel
Q: En quoi AXON Predict de Greenwave est-il différent des autres produits sur le marché? Votre espace est-il compétitif?
Crupi: AXON Predict est une véritable plateforme d'analyse de bord en temps réel. Il a été conçu à partir de zéro pour tirer parti de la puissance de calcul croissante à la périphérie ainsi que des besoins de surveillance, d'analyse et d'action urgents. Le moteur d'analyse de périphérie d'AXON Predict est indépendant de la plate-forme. Il est suffisamment petit pour exécuter et effectuer des analyses sur presque tous les appareils périphériques de taille.
Les outils de développement de modèles visuels AXON Predict garantissent que les utilisateurs possédant une expertise technique minimale peuvent facilement créer des requêtes analytiques avancées. La bibliothèque de modèles fournit des modèles pas à pas qui éliminent les difficultés souvent rencontrées lors du développement et du déploiement de requêtes avec d'autres produits d'analyse.

Q: En plus de la fabrication, quels autres secteurs verticaux peuvent bénéficier de ce type de traitement des bords?
Crupi: Que vous soyez un opérateur de télécommunications cherchant à optimiser la vitesse d'Internet, dans l'industrie du pétrole et du gaz cherchant à prévenir un déversement, ou essayant de gérer efficacement une source d'énergie renouvelable, les plates-formes d'analyse de pointe peuvent être appliquées à un large éventail de secteurs industriels.
La ville intelligente est également un exemple intéressant d'analyse de bord au travail. Des milliers de caméras, de capteurs routiers et de feux de circulation absorbent d'énormes quantités de données. Les analyses de périphérie sont particulièrement utiles ici, non seulement en raison de la quantité d'analyse requise sur l'appareil, mais également en raison de la quantité d'analyses requise entre les appareils, qui constituent les analyses les plus importantes.
Pour la sécurité en temps réel ou la maintenance préventive des infrastructures, les analyses sont très dynamiques et doivent se produire en une fraction de seconde. Par conséquent, le bord est essentiel pour ces types de scénarios.
Q: Quels progrès techniques souhaitez-vous ou prévoyez-vous pour la technologie IIoT dans un avenir proche?
Crupi: Apprentissage automatique pointer-cliquer pour les opérateurs de machines et les analystes. La possibilité pour les utilisateurs de parcourir une série de questions et de sélections commence le processus d'apprentissage et pose les bases de l'apprentissage des modèles de comportement pour la classification, la détection des anomalies et l'analyse prédictive.
Les modèles peuvent automatiquement être formés et testés pour la précision. Le système continuera de s'entraîner jusqu'à ce que la précision atteigne les niveaux acceptés, puis les analyses et les modèles seront déployés et déduits de manière transparente en périphérie.
Les capacités d'analyse et les modèles prédictifs seront inclus dans le cadre des appareils nouvellement fabriqués et adaptés aux appareils plus anciens. Au fur et à mesure que de nouveaux appareils se connectent, ils exploitent et intègrent les analyses des appareils existants, puis commencent à alimenter leurs propres données de performances dans le système. Le nirvana permet aux machines de s'auto-analyser, de s'auto-régler et de réagir elles-mêmes aux problèmes prédits – qu'il s'agisse d'avertir les personnes ou les systèmes ou de lancer automatiquement la réparation.

Laisser un commentaire