IOT et industrie : Comment le Machine Learning s'applique-t-il aux données IoT

Selon une étude, il y aura plus de 55 milliards d'appareils IoT d'ici 2025, contre environ 9 milliards en 2017. L'apprentissage automatique pour les capacités prédictives est désormais intégré à la plupart des plates-formes IoT industrielles, telles que Microsoft Azure IoT, Amazon AWS IoT ou Google Cloud IoT Edge.

Par exemple, si un capteur détecte une chaleur ou des vibrations excessives, il déclenche une alerte. Si le même capteur est connecté à Internet, les données rencontrées par le capteur peuvent également être exploitées pour obtenir plus d'informations et effectuer des analyses pour une utilisation future.

Un bref aperçu de l'IoT

Source: SAS

L'importance de l'intelligence de périphérie est en augmentation, car la demande de services à distance en temps réel sans interruption est à un niveau record. Les clients préfèrent les appareils à leur disposition afin de pouvoir tirer immédiatement des informations et se sentir également en sécurité par rapport aux données. Grâce aux capacités basées sur l'intelligence artificielle, les données IoT peuvent être transformées, analysées, visualisées et intégrées à l'ensemble de l'écosystème – appareils périphériques, passerelles et centres de données, dans le brouillard ou dans le cloud.

L'IoT ou l'internet des objets est un sous-ensemble des efforts d'intelligence de pointe d'aujourd'hui. Un système IoT intelligent comprend les composants clés suivants:

Pièces mécaniques et électriques Capteurs, processeurs, stockage et logicielsPorts, antennes et protocolesAnalytics embarqués pour former et exécuter des modèles d'IA en périphérie

Construire une solution IoT réussie dépend des dizaines de milliards d'appareils qui se trouvent au bord, dans les maisons et les bureaux, dans les usines et les champs de pétrole et les champs agricoles, dans les avions et les navires, et les automobiles – partout.

Alors, quand nous parlons de données IoT, quel type de données examinons-nous?

Métadonnées: ID de l'appareil, classe ou type, modèle, date de fabrication, numéro de série du matériel, etc.

Par exemple, les données d'un capteur de température dans une chambre d'hôtel peuvent être représentées comme suit:

Informations d'état: données qui décrivent l'état actuel de l'appareil, pas de l'environnement. Ces informations peuvent être lues / écrites. Télémétrie: il s'agit de données en lecture seule sur l'environnement, généralement collectées via des capteurs. Chaque source de télémétrie génère un canal. Ces données sont stockées sous forme de variable avec état sur l'appareil ou dans le cloud. Commandes: ces informations consistent en des actions effectuées par un périphérique.Informations opérationnelles: les données telles que la température de fonctionnement d'un ordinateur entrent dans cette catégorie. Cela devient pertinent car il faut répondre aux pannes et corriger la dégradation des performances du logiciel après les mises à jour.

Aujourd'hui, toutes les principales sociétés de cloud fournissent une large gamme de services IoT ainsi que leurs propres kits de développement logiciel qui peuvent être installés sur la machine, qui partage les données collectées directement dans le cloud, exécute le modèle et fournit des informations ou met à jour le dispositif IoT sur la machine si ce n'est pas seulement un service de déclenchement. En savoir plus ici.

Connexion IoT et ML

Le flux de travail de Cloud IoT avec AWS

L'implémentation de l'IIoT se présente généralement comme suit:
Voir également

Des capteurs IoT sont ajoutés à la machinerie qui examine les variables discrètes telles que les vibrations, le bruit, la chaleur et la température. Ces données sont ensuite téléchargées sur le cloud à des fins d'analyse.

Maintenant que ML entre en scène, le modèle d'apprentissage automatique se trouve sur la plate-forme cloud, se nourrissant des données entrantes.

Le modèle ML divise les informations en données utilisées pour la formation et pour la vérification.

Le modèle examine des centaines de milliers d'enregistrements d'anomalies, de corrélations et de projections, pour émettre une hypothèse.

Une fois l'hypothèse créée, elle doit être testée et validée.

Une fois qu'un modèle a été validé, il est publié en tant que point de terminaison exécutable. Ensuite, les données de diffusion en direct peuvent être transmises via le modèle formé et faire une inférence sur l'état / la santé de la machine en fonction de ce qu'elle sait déjà et a été formé à rechercher.

Voyons maintenant l'exemple de la maintenance prédictive dans une entreprise de fabrication, Oden Technologies, qui combine les avantages de l'IoT et du cloud pour réduire les déchets, augmenter l'efficacité et améliorer la sécurité.

En plus de ses appareils IoT, Oden exploite la pile d'outils IoT de Google Cloud qui comprend également des modules d'apprentissage automatique. La société prétend gérer quotidiennement 10 millions de métriques sur une même ligne de fabrication. Ces mesures peuvent couvrir des informations telles que la quantité d'électricité traversant les machines, la quantité de matière première consommée, le volume de matière produite et bien d'autres encore. Les capteurs peuvent également capturer et transmettre des informations environnementales telles que la température et l'humidité afin que les fabricants puissent identifier les impacts saisonniers sur la production.

Une fois les appareils installés, la plate-forme de l'entreprise traite les données pour fournir aux fabricants des analyses de pointe telles que l'analyse détaillée des causes profondes jusqu'à la seconde, les performances à l'échelle de l'usine en temps réel et l'analyse des tendances.

Pour savoir comment configurer un cloud pour l'IoT, vérifiez ceci.
Fournissez vos commentaires ci-dessous commentaires

Ram Sagar
J'ai une maîtrise en robotique et j'écris sur les progrès de l'apprentissage automatique.

courriel: ram.sagar@analyticsindiamag.com

Laisser un commentaire