AIoT

Artificial Intelligence of Things (AIoT) is het samenvoegen van Artificial Intelligence (AI)-technologieën met de Internet of Things (IoT)-infrastructuur om efficiëntere IoT-operaties te realiseren, een revolutie in de mens-machine-interactie teweeg te brengen en het beheer en de analyse van gegevens te optimaliseren. AIoT zal bijdragen tot efficiëntiewinst, vooral op het gebied van wearables, smart home, smart city en smart industry.

Toepassingsvoorbeeld

Misschien bent u al bekend met de bediening van lampen of verwarming door uw smartphone of spraakassistent. Deze voorbeelden worden vaak slimme verlichtingsregeling en slimme verwarmingsregeling genoemd. Deze controle is echter meestal niet zo slim als men op het eerste gezicht zou denken. De apparaten zenden bijvoorbeeld de status van het apparaat "aan" of "uit", of sensorwaarden zoals de ingestelde en de werkelijke ruimtetemperatuur. Dit is echter meestal regelgebaseerde if-then programmering, die niet echt "slim" kan worden genoemd.

Voorbeeld voorspellend onderhoud

Een echte "slimme" toepassing is te zien op het gebied van voorspellend onderhoud in een industriële context. Hier wordt de machine altijd kort voor het eigenlijke defect van de machine onderhouden en worden precies die onderdelen vervangen die binnenkort daadwerkelijk defect zullen gaan.

Een voorbeeld van een kogellager kan worden gebruikt om de verschillende soorten onderhoud te illustreren. Bij het ontwerpen van lagers wordt meestal de levensduur van het lager berekend. Deze berekening is echter niet echt nauwkeurig. Als bijvoorbeeld de levensduur van het lager wordt berekend met 100.000 omwentelingen en de machine heeft deze 100.000 omwentelingen reeds gemaakt, dan is het lager niet noodzakelijk functioneel beperkt. Het lager wordt echter meestal preventief vervangen, waardoor de werkelijke levensduur niet volledig wordt benut. Het alternatief zou zijn te wachten tot het lager stuk gaat en problemen in de machine veroorzaakt. In dit geval is de uitval van de machine echter gegarandeerd, en bovendien moeten reserveonderdelen worden aangeschaft, waardoor de uitval van de machine langer kan duren.

Voorspellend onderhoud heeft een andere aanpak. De in de machines geïnstalleerde of achteraf ingebouwde sensoren (retrofit) kunnen allerlei waarden registreren, zoals de trillingen van de machine, de warmte-ontwikkeling, de druk in het inwendige, de vochtigheid en nog veel meer. De gegevens worden het interessantst als ze worden geregistreerd tot op het moment van een storing. Door gebruik te maken van algoritmen voor machinaal leren kunnen correlaties tussen de gegevens worden vastgesteld (kenmerken), die tot een mislukking van het magazijn hebben geleid. Hoe vaker een storing wordt geregistreerd, hoe beter patronen kunnen worden herkend. Het voordeel is nu duidelijk. Machinebedieners weten nu precies wanneer welke onderdelen van de machine moeten worden onderhouden. Het onderhoud wordt dus op het ideale moment uitgevoerd (b.v. buiten de bedrijfstijden) en de levensduur van de componenten wordt volledig benut. Bovendien kunnen reserveonderdelen worden voorzien en op het optimale tijdstip worden besteld.