De la generarea de energie și automatizarea industrială, la sistemele de transport și imagistică, gigantul Siemens este asociat istoric cu lumea mașinilor fizice mari. Dar liniile sale de produse din ultimii ani au devenit din ce în ce mai bine definite de inteligență și conectivitate.
Astăzi, un milion de active Siemens conectate generează zilnic aproximativ 8 zettabytes de date. Și provocarea pe care o prezintă este cum să maximizăm valoarea unei astfel de bogății de date care curge constant, pentru clienții, furnizorii și pentru companii în sine, fără a ști întotdeauna unde vor fi explorate. În această situație este și Transport for London (TfL), agenția guvernamentală responsabilă pentru rețeaua de metrou, rutieră și autobuz a orașului, care este la fel de conștientă de faptul că acum sta pe o mină de aur de date potențiale, alimentată din ce în ce mai mult de nenumărați senzori. Tot ce a fost adus în TfL în ultimii 10 ani vine cu o cantitate imensă de senzori încorporați. Asta înseamnă că sunt 350.000 de dispozitive care pompează cantități absolut fenomenale de date, care trebuiesc filtrate, selectate și vizualizate pentru a utiliza doar ce este cu adevărat generator de valoare. În acest sens, machine learning și AI prezintă deja posibilități fantastice ca parte a acestui mecanism de filtrare.
Aflați mai multe despre serviciile și soluțiile IT specifice industriei dvs
O gamă largă de monitorizare a șinelor și căii de rulare din subteran este efectuată de camerele montate în partea de jos a trenurilor, care generează cantități uriașe de date vizuale. Practica din prezent este ca un specialist să examineze aceste date video pentru a identifica problemele. Dar acesta este exact acel domeniu în care AI poate îmbunătăți eficiența și precizia detectării defecțiunilor. În mod similar, Siemens a folosit AI și senzori pentru a asigura o întreținere predictivă a defecțiunilor componentelor cheie din trenurile operatorului feroviar spaniol Renfe. Rezultatul este că nu au existat aproape deloc eșecuri neplanificate ale pieselor, oferind trenurilor o disponibilitate de 99%.
Un bun exemplu la TfL se referă la starea porților de acces de la metroul din Londra. Personalul s-a mutat de la ațiunea de monitorizare a datelor statice pentru a vedea dacă o poartă are probleme, la datele dinamice, unde fiecare poartă de acces poate să transmită starea sa de operare. Următoarea etapă este o capacitate de predicție în care poarta poate să transmită personalului când și cum este probabil să aibă probleme viitoare.
Întreținerea predictivă poate fi un caz eficient de implementare pentru IoT industrial (IIoT) în prezent, însă astfel de implementări trebuie să fie însoțite de o schimbare către un set de minți mai agil. Multe organizații din industrie care se concentrează încă pe orizonturi de proiect de cinci ani constată că sunt obligați să reintegreze datele IIoT la fiecare trei până la patru luni, pe măsură ce se adaugă noi dispozitive conectate.
