AIoT

Die Künstliche Intelligenz der Dinge (AIoT) ist die Zusammenführung von Technologien der Künstlichen Intelligenz (KI) mit der Infrastruktur des Internets der Dinge (IoT), um einen effizienteren IoT-Betrieb zu verwirklichen, die Mensch-Maschine-Interaktion zu revolutionieren und das Datenmanagement und die Datenanalyse zu optimieren. AIoT wird besonders in den Bereichen Wearables, Smart Home, Smart City und Smart Industry zu einem Effizienzgewinn beitragen.

Anwendungsbeispiel

Du kennst vielleicht schon die Bedienung von Lampen oder der Heizung durch dein Smartphone oder Sprachassistenten. Häufig werden diese Beispiele schon als smarte Lichtsteuerung und smarte Heizungssteuerung bezeichnet. Doch ist diese Steuerung meist gar nicht so smart wie man zunächst denken würde. Die Geräte senden dabei beispielsweise den Status des Geräts "an" oder "aus", oder auch Sensorwerte, wie die eingestellte und tatsächliche Raumtemperatur. Dabei handelt es sich jedoch zumeist um regelbasierte Wenn-Dann-Programmierung, welche nicht wirklich als "smart" bezeichnet werden kann.

Beispiel Predictive Maintenance

Eine echte "smarte" Anwendung kann man im Bereich der vorausschauenden Wartung (Predictive Maintenance) im industriellen Kontext erkennen. Dabei wird die Maschine immer kurz vor dem tatsächlichen Ausfall der Maschine gewartet und genau die Teile ersetzt, welche auch tatsächlich in Kürze kaputt gehen werden.

An einem Beispiel eines Kugellagers können die verschiedenen Wartungsarten verdeutlicht werden. Bei der Auslegung von Lagern wird typischerweise die Lagerlebensdauer berechnet. Diese Berechnung ist jedoch nicht wirklich präzise. Sollte die Lagerlebensdauer bespielsweise mit 100000 Umdrehungen berechnet sein und die Maschine hat diese 100000 Umdrehungen bereits vollzogen, ist das Lager nicht zwangsweise funktional eingeschränkt. Jeoch wird das Lager meist präventiv gewechselt, wodurch die tatsächliche Lebensdauer nicht vollständig ausgenutzt wird. Die Alternative wäre zu warten, bis das Lager kaputt geht und zu Problemen in der Maschine führt. Dabei ist der Ausfall der Maschine jedoch garantiert, zudem müssen Ersatzteile beschafft werden, wodurch der Ausfall der Maschine länger dauern kann.

Bei Predictive Maintenance wird ein anderer Ansatz gewählt. Die in den Maschinen verbauten oder nachgerüsteten (Retrofit) Sensoren können dabei alle möglichen Werte erfassen, wie beispielsweise die Schwingung der Maschine, die Hitzeentwicklung, den Druck im Innenraum, die Luftfeuchtigkeit und vieles mehr. Am interessantesten werden die Daten, wenn diese bis zu einem Störfall aufgenommen werden. Durch Nutzung von Maschine Learning Algorithmen können Zusammenhänge unter den Daten ermittelt werden (Features), welche zu einem Ausfall des Lagers geführt haben. Je öffter ein Störfall registriert wird, umso besser können Muster erkannt werde. Der Vorteil liegt nun auf der Hand. Maschinenbetreiber wissen nun genau wann welche Komponenten der Maschine gewartet werden müssen. Die Wartung erfolgt somit zum idealen Zeitpunkt (z.B. außerhalb der Betriebszeit) und die Lebensdauer der Komponenten wird vollständig ausgenutzt. Zudem können Ersatzteile vorausschauen und zum optimalen Zeitpunkt bestellt werden.