KI und IoT : Wie KI die IoT revolutioniert

KI und IoT werden in dem Bestreben, große Datenmengen zu verwalten, zunehmend miteinander kombiniert, und die Unternehmen haben die Möglichkeit gewonnen, die Design- und Engineering-Projekte und IoT in den letzten Jahren viel schneller, da die KI ausgereift ist. Wie können künstliche Intelligenz (KI) und das Internet der DingeIoT) zusammenarbeiten bei AI-Engineering-Projekte die Entwicklung von IoT verbessern?

Dies geschieht durch die Verarbeitung von großen Daten, die von IoT erzeugt werden. Bei den erzeugten Big Data handelt es sich in der Regel um Messungen von Sensoren und Signalen zwischen Geräten, die Intelligenz am Rande liefern. Heute ermöglicht die Edge-Computing-Technologie intelligenten Edge-Geräten die Verwaltung eines Teils dieser Daten. Und KI ist jetzt ein Teil dieses Paradigmas.

Durch die Kombination von KI und IoT können Ingenieure ihre Rohdaten in verwertbare Erkenntnisse umwandeln und so den gesamten Produktentwicklungsprozess optimieren. Dies geschieht mit KI-Tools wie der NVIDIA Jetson Platform¹oder der Ingenieur kann sein eigenes Matlab-Skript schreiben. Das Matlab-Skript müsste die Daten von dem zu entwickelnden IoT über Kommunikationsprotokolle (MQTT, Zigbee, LoRa usw.) empfangen und die Daten in Echtzeit verarbeiten^{2 3 4}. 

Die Sensoren und Kameras sammeln die Daten und senden sie an einen kleinen, leistungsstarken Computer mit eingebetteter KI, um Edge Computing durchzuführen. Zu diesen Geräten gehören der NVIDIA Jetson Nano, Google Coral⁶ Edge TPU oder Raspberry Pi mit TensorFlow Lite für Edge-KI-Anwendungen.

 

5 Wege, wie KI die Entwicklung von IoT unterstützt

Mit der Weiterentwicklung von IoT werden immer mehr Daten erzeugt, was für Entwickler von großem Vorteil ist. Mehr Daten bedeuten, dass Ingenieure mehr Einblicke haben als je zuvor. Die Extraktion nützlicher Informationen und die Verwaltung dieser großen Datenmengen ist jedoch eine Herausforderung für den menschlichen Verstand.

Obwohl IoT Entwickler unterstützen, die eine schnelle Entwicklung anstreben, führt das Endergebnis durch den Einsatz von KI im Entwicklungsprozess zu einer viel höheren Qualität der Projekte in kürzerer Zeit. Die Kombination eines IoT mit einem KI-Tool wie AutoML Vision von Google zum Beispiel⁷ kann es Ingenieuren ermöglichen, Bilderkennungsmodelle für intelligente Kameras schnell zu trainieren und so die Genauigkeit und Geschwindigkeit der Entwicklung im Vergleich zur manuellen Codierung erheblich zu verbessern.

Erfahren Sie mehr über KI und maschinelles Lernen

Um das Potenzial der KI-Tools voll ausschöpfen zu können, müssen die Ingenieure die KI-Tools mit großen Datenmengen versorgen. Je mehr Daten der Algorithmus erhält, desto genauer werden seine Zukunftsprognosen. Der Erfolg der KI-Modelle hängt von der Menge und Qualität der Daten ab, die sie analysieren.⁸

Die KI-Algorithmen verarbeiten große Datenmengen auf eine Art und Weise, wie es ein Computer tun würde, nur wesentlich schneller.

Prädiktive Einblicke

KI zeichnet sich durch die Verarbeitung großer Datenmengen und die Erkennung komplexer Muster aus, die Menschen möglicherweise nicht erkennen können, was ein wichtiger Anwendungsfall für IoT bei der vorausschauenden Wartung ist. IoT erzeugen riesige Mengen an Rohdaten von verschiedenen Sensoren, die verarbeitet werden müssen, um verwertbare Erkenntnisse zu gewinnen.⁹

Durch Datenanalyse in Echtzeit gewinnt KI schnell wertvolle Erkenntnisse, erkennt Muster und macht Vorhersagen über das zukünftige Verhalten eines Geräts. Dies ermöglicht es Ingenieuren, fundiertere und reaktionsschnellere Entscheidungen zu treffen.

Diese Erkenntnisse sind während der Inbetriebnahme- und Testphase des Entwicklungsprozesses wichtig. Das Verständnis der Echtzeitbedingungen hilft bei der Optimierung und Verbesserung der Leistung des Geräts.

Darüber hinaus ermöglichen die KI-gesteuerten Vorhersagen eine proaktive Entscheidungsfindung, wodurch die Wahrscheinlichkeit kostspieliger Ausfälle verringert und die Zuverlässigkeit des Systems insgesamt erhöht wird.

Die Verwendung von Schwingungssensoren wie MEMS-Beschleunigungsmessern zur Erkennung von Verschleißerscheinungen in einem Motor ist ein praktisches Beispiel dafür, wie vorausschauende Erkenntnisse genutzt werden können. Wenn sich ein Motor im Laufe der Zeit abnutzt, nimmt seine Leistung ab und es können abnormale Vibrationen auftreten.

Diese können zu kostspieligen Systemschäden führen, wenn sie unentdeckt bleiben und das System nicht gewartet wird. KI-Prozesssensordaten in Echtzeit zeigen die Anomalie sofort an. Durch eine schnelle Warnung an den Techniker kann der Motor gegen einen neuen ausgetauscht werden, bevor ein dauerhafter Schaden an der Anlage entstanden ist.¹⁰

 

Maschinelles Lernen für die Optimierung

Algorithmen für maschinelles Lernen verarbeiten riesige Datenmengen, die von IoT gesammelt werden. Sie erkennen Muster und Trends, die für Menschen manuell unmöglich zu erkennen wären.

Die von der KI durchgeführten Datenanalysen wären jedoch wenig wert, wenn die Daten schlecht sind oder minderwertige maschinelle Lernmodelle verwendet werden. Dies wirft die Frage auf, wie man an qualitativ hochwertige Daten kommt.

Der Ingenieur muss eine hohe Datenqualität planen, bevor er mit der Sammlung von Trainingsdaten beginnt. Ingenieure gewährleisten eine hohe Datenqualität durch¹¹:

• Festlegung von Datenqualitätsstandards
• Nutzung von Datenqualitätstools¹² wie z.B. IBM Infosphere Quality Stage¹³
• Sicherstellung einer genauen Datenbeschriftung für überwachte Lernaufgaben wie Klassifizierung
• Sicherstellen, dass die Daten für die Verwendung der KI-Modelle relevant sind
• Zusammenarbeit mit seriösen und zuverlässigen Datenanbietern
• Einführung einer kontinuierlichen Überwachung der Daten, um etwaige Probleme so früh wie möglich zu erkennen

Die aus diesen Algorithmen gewonnenen wertvollen Erkenntnisse helfen Unternehmen, Entscheidungen zu treffen, Prozesse zu optimieren und die Gesamtleistung von KI- und IoT zu verbessern.

 

Erkennung von Anomalien

Wenn Maschinensensoren kontinuierlich Daten sammeln, erzeugen sie große Datenmengen. In all diesen Daten können subtile Anomalien ein Zeichen für ein Problem oder eine Chance sein.

KI, insbesondere generative KI-Modelle, sind sehr gut darin, diese Unregelmäßigkeiten zu erkennen. KI kann durch die Analyse von Mustern und den Vergleich mit historischen Daten Abweichungen erkennen, die von Menschen unbemerkt bleiben würden. Auf diese Weise können Unternehmen Erkenntnisse gewinnen und darauf reagieren, bevor kleine Probleme zu großen werden, was sie vor kostspieligen Fehlschlägen bewahrt.

In einem Produktionsbetrieb, in dem die Automatisierungsanlagen kontinuierlich laufen, können unentdeckte Anomalien zu Betriebsunterbrechungen, erhöhten Wartungskosten und Sicherheitsrisiken für die Mitarbeiter führen.

Mit den richtigen Sensoren und einem Edge-Computing-Gerät könnte die eingebettete KI, die mit der Verarbeitung aller Sensordaten beauftragt ist, jedoch eine subtile Verschiebung in den Daten erkennen und sie als Anomalie kennzeichnen.

Zu diesen subtilen Veränderungen, die von einem menschlichen Auge wahrscheinlich nicht erkannt werden, gehören¹⁴:

• Subtile Sensordrift, die die Qualität der vom Sensor gelesenen Daten beeinträchtigt
• Umweltschwankungen, wie erhöhte Luftfeuchtigkeit, Temperatur und Druck, können zu drastischen Veränderungen der Qualität des in der Produktionsanlage hergestellten Produkts führen.
• Verhaltensanomalien. Geräte können aufgrund von natürlicher Abnutzung im Laufe der Zeit ein verändertes Betriebsverhalten zeigen. KI kann diese Veränderungen erkennen und die Geräte zur Wartung vormerken

 

 

Vorausschauende Wartung

Die Integration von KI in IoT , städtische Infrastrukturen und Gebäudemanagementsysteme kann den Zustand von Geräten oder Infrastrukturen in Echtzeit überwachen. KI analysiert Daten von Sensoren, um Muster zu erkennen und vorherzusagen, wann eine Wartung erforderlich ist, wodurch das Risiko unerwarteter Ausfälle verringert wird.

STMicroelectronics hat beispielsweise einen MEMS-Sensor (Microelectromechanical Systems) mit einer eingebetteten intelligenten Sensorverarbeitungseinheit (ISPU) entwickelt, die in das Edge AI Computing integriert werden kann, um Anomalien mit geringem Stromverbrauch zu erkennen¹⁵. So kann der Wartungstechniker den Zustand der in Klimaanlagen verwendeten Ventilatoren überwachen und sie sofort reparieren, wenn eine Anomalie festgestellt wird.

Proaktive Ansätze wie dieser bedeuten, dass intelligente Umgebungen reibungsloser, mit weniger Unterbrechungen und besserer Gesamteffizienz laufen.

Vorausschauende Wartung kann in der Validierungsphase (Testphase) der Entwicklung von entscheidender Bedeutung sein. Die Entwickler können bei Bedarf eine andere Lösung wählen, indem sie aufzeichnen, wie lange es dauert, bis eine Wartung notwendig wird.

 

Optimierung der Ressourcen

KI-Algorithmen analysieren die Daten von IoT , um intelligente Entscheidungen zu treffen. Beim Energiemanagement kann KI zum Beispiel Energieverbrauchsmuster analysieren, um Ineffizienzen zu finden.

Die Ingenieure können dann diese Ineffizienzen analysieren und mit der Arbeit an Lösungen beginnen, die das Design effizienter machen und die Kosten senken. Darüber hinaus kann die KI Änderungen vorschlagen, um Verschwendung zu reduzieren und die Gesamteffizienz zu verbessern, indem sie die Energieverbrauchsmuster versteht.

Dieser proaktive Ansatz für die Ressourcenzuweisung bedeutet, dass das Unternehmen weniger Energie verbraucht, weniger Abfall produziert und die Produktionskosten senkt. Die KI gibt Empfehlungen in Echtzeit, passt sich an Veränderungen an und verbessert kontinuierlich das Ressourcenmanagement.

Im Entwicklungsprozess kann die Rückgriffsoptimierung die Kosten des Projekts erheblich senken. Nahezu jedes Entwicklungsteam kann davon profitieren.

 

 

Was bei der Verwendung von KI zur Entwicklung von IoT zu beachten ist

Der Einsatz von KI in IoT erfordert Planung und Ausführung. Obwohl die Vorteile groß sind, gibt es einige wichtige Überlegungen, um sicherzustellen, dass die KI-fähigen IoT effektiv und zuverlässig sind.

Bei der Verwendung von KI zur Unterstützung der IoT sind unter anderem folgende Punkte zu beachten:

• Datenverwaltung: Verwalten und Verarbeiten großer Datenmengen von IoT
• Cybersecurity: Sichern Sie die Daten und verhindern Sie unbefugten Zugriff
• Interoperabilität: Sicherstellen, dass die KI in IoT mit anderen Systemen und Technologien funktioniert
• Kosten: Bedenken Sie die Kosten der KI und wägen Sie sie gegen die Vorteile ab
• Hardware: Wählen Sie die richtige Hardware zur Unterstützung von KI und IoT
• Integration von Anwendungen: Integration von KI in bestehende Anwendungen zur Verbesserung von Funktionalität und Leistung
• Langfristig: Planen Sie für die Zukunft und berücksichtigen Sie die Nachhaltigkeit und Skalierbarkeit von KI und IoT

 

IoT und AI FAQs

Wie funktioniert KI in intelligenten Geräten?

KI macht intelligente Geräte intelligent, indem sie ihnen ermöglicht, Aufgaben selbstständig zu erledigen und intelligente Entscheidungen zu treffen. In selbstfahrenden Autos zum Beispiel verarbeitet KI riesige Datenmengen von Sensoren und Kameras, um sicher und effizient durch die Straßen zu navigieren.

Dazu gehört ein Echtzeit-Datenaustausch zwischen den Systemen des Fahrzeugs, um auf Verkehrsbedingungen, Hindernisse und Fahrereingaben zu reagieren. Ähnlich wie bei anderen intelligenten Geräten analysiert die KI IoT , um die Leistung zu optimieren, den Wartungsbedarf vorherzusagen und die Nutzererfahrung zu personalisieren.

Was ist die Synergie zwischen KI und IoT ?

Synergie ist die Interaktion und Zusammenarbeit von 2 oder mehr Agenten (KI- und IoT ), um etwas Größeres als sich selbst zu schaffen.

In diesem Fall erweitert die Synergie zwischen IoT und KI die Fähigkeiten der angeschlossenen Geräte erheblich.

IoT sind für sich genommen schon riesig und überwältigend, aber in Kombination mit der Verarbeitungsgeschwindigkeit von KI werden diese Daten verwertbar.

KI-Algorithmen analysieren diese Daten, um Erkenntnisse zu gewinnen, die zur proaktiven Risikominderung genutzt werden können. KI verwaltet also nicht nur die Daten, sondern interpretiert sie, um Probleme vorherzusagen und zu lösen, bevor sie zu Problemen werden.

IoT werden intelligenter, effizienter und besser in der Lage, Veränderungen in ihrer Umgebung zu antizipieren und darauf zu reagieren, wenn sie mit KI kombiniert werden.

Wie können IoT, Big Data und KI Probleme in der realen Welt lösen?

IoT , Big Data und KI sind leistungsstarke Werkzeuge, die in Kombination viele reale Probleme lösen können. In Lieferketten zum Beispiel verfolgen IoT Waren in Echtzeit und generieren riesige Datenmengen.

Das KI-Modell verarbeitet die Big Data, um Verspätungen vorherzusagen, Routen zu optimieren und den Bestand besser zu verwalten. KI kann auch die Videoströme von Sicherheitskameras analysieren, um die Sicherheit zu verbessern und Probleme zu überwachen.

Unternehmen können nicht nur ihre Effizienz steigern, sondern auch verwertbare Erkenntnisse gewinnen, um Probleme proaktiv anzugehen und fundierte Entscheidungen zu treffen, indem sie diese Technologien gemeinsam nutzen.

Nächste Schritte

• Möchten Sie mit einem Digi-Experten sprechen? Kontaktieren Sie uns
• Möchten Sie mehr von Digi hören? Melden Sie sich für unseren Newsletter an
• Oder kaufen Sie jetzt für Digi-Lösungen ein: Wie Sie kaufen

Über den Autor

Hans Tschohl ist Mechatroniker mit umfangreicher Erfahrung im Design, Bau und der Inbetriebnahme von IoT . Wenn er nicht gerade IoT mit KI optimiert, findet man ihn in seiner privaten Werkstatt, wo er an seinem nächsten großen Projekt arbeitet. Hans glaubt, dass die Zukunft der Technologie in der nahtlosen Integration von KI und IoT liegt.

 

 

 

Referenzen

1) NVIDIA: Autonome Maschinen

2) Mathworks: Datenverarbeitung und Visualisierung

3) Mathworks: Prädiktive Modellierung

4) Mathworks: Erste Schritte mit MQTT

5) NVIDIA: Jetson Nano

6) Koralle: Produkte 

7) Google: AutoML

8) Forbes: Datenqualität für gute KI-Ergebnisse

9) Webby Lab: Anwendungsfälle von IoT vorausschauender Wartung

10) Energierobotik: Die Rolle der KI bei der Datenverarbeitung

11) AIMultiple Forschung: Leitfaden zur Qualitätssicherung der AI-Datenerhebung

12) IBM: InfoSphere QualityStage

13) RWS: Hohe Qualität der AI sicherstellen

14) Idea Usher: KI zur Erkennung von Anomalien

15) STMicroelectronics: Anomalie-Erkennung mit geringem Stromverbrauch