Progress en Amazon Web Services bieden selfservice detectie voor Industrial IoT

Progress kondigt een Progress DataRPM selfservice optie aan. Hiermee wordt het mogelijk om afwijkingen op te sporen en te voorspellen in het Industrial Internet of Things (IIoT). Voorzien van een nieuwe R&D specifieke licentie, biedt deze nieuwe optie R&D- en innovatieteams betere mogelijkheden om beslissingen te nemen bij IIoT proof-of-concept (COP) en pilot projecten. Daarnaast biedt Amazon Web Services (AWS) via cloud platformen gratis tests van Progress DataRPM aan voor gekwalificeerde fabrikanten met verbonden sensoren en de daaruit voortvloeiende tijdreeksdata.

Deze test zal bedrijven in staat stellen om hun data veilig op AWS te uploaden, afwijkingen in apparatuur op te sporen, storingen te voorspellen en - zowel bekende als onbekende storingen - te valideren voordat deze zich voordoen. Hierdoor kunnen bedrijven proactief stappen zetten om ongeplande downtime en onderhoud te voorkomen.

Storingen voorkomen
De datastroom van sensoren van industriële apparatuur geeft asset-intensieve organisaties de kans om storingen te voorkomen en de output te optimaliseren. Echter hebben industriële organisaties wereldwijd moeite om hun data goed te begrijpen, afwijkingen op te sporen en storingen te voorkomen die vaak onopgemerkt blijven totdat deze zich daadwerkelijk voordoen en leiden tot hoge kosten. Met de afwijkingendetectie en voorspellingsmogelijkheden in de Progress DataRPM applicatie kunnen asset-intensieve bedrijven de kracht van IIoT gebruiken om hun eigen industriële sensordata privé en veilig vast te leggen en te analyseren. Om op die manier de downtime drastisch te verminderen en de algehele effectiviteit van de apparatuur te verhogen.

Onderhoud verminderen
De selfservice optie in de R&D-licentie stelt R&D- en innovatieteams van industriële bedrijven in staat gebruik te maken van de volledig geautomatiseerde machine learning detectie en voorspelling van afwijkingen binnen de DataRPM applicatie. Hierbij wordt de onbewerkte sensordata omgezet in intelligente acties voor de analyse van multi-sector tijdsreeksdata. R&D-teams kunnen starten met het nauwkeurig detecteren en voorspellen van afwijkingen in hun industriële gegevens om de downtime van apparatuur tot een minimum te beperken en de totale output te maximaliseren. Ze kunnen hogere echte positive en lagere false positive waarden afleiden met nauwkeurige inzichten. Om op basis daarvan tijdig actie te ondernemen om ongeplande downtime en onderhoud te verminderen en om activa beter te controleren.

Dankzij de Progress DataRPM afwijkingendetectie en voorspellingsoptie, hebben industriële beleidsmakers, datawetenschappers, innovatiemanagers, R&D, machine learning en big data beslissers nu toegang tot:
- Zelfbediening: end-to-end automatisering van data-invoer en analyse tot insights-visualisatie. Gebruikers kunnen eenvoudig sensordata uploaden, de kenmerken in kaart brengen en uitvoeren. De gehele cognitieve stroom werkt op een volledig geautomatiseerde manier om vrijwel onmiddellijk resultaten te tonen.
- Slimme inzichten: de resultaten worden weergegeven in 'verhalen' in een menselijk leesbaar format dat patroneren en anti-patronen in de sensordata toont.
- Verkennende analyse: met behulp van inzoomen en filters kunnen gebruikers een beter inzicht krijgen in het gedrag van bedrijfsassets en de belangrijkste sensoren voor het voorspellen van de meest waarschijnlijke storingen.
- Enterprise-grade Data Science Process Flow Framework: voor degenen met succesvolle POC's en pilots, zorgt het framework voor een naadloze overgang van R&D naar volledige productie-omgevingen zonder dat code herschreven hoeft te worden.

“Met miljarden onderling verbonden apparaten die ongelofelijke hoeveelheden data opleveren, is er veel vraag naar manieren om waardevolle inzichten uit deze gegevens te verzamelen. Maar met beperkte budgetten en lange implementatiecycli voor veel machine learning toepassingen, blijft de werkelijke waarde van data vaak onbenut of onderbenut”, zegt Dmitri Tcherevik, Chief Technology Officer bij Progress. “Daarom biedt Progress nu een R&D selfservice applicatie voor organisaties die sneller en eenvoudiger dan voorheen aan hun IIoT-traject willen beginnen. R&D-teams kunnen onze zelfbediening cognitieve cloudapplicatie gebruiken om direct te beginnen met het opsporen en voorspellen van afwijkingen in hun industriële data voor snelle time-to-insights en nauwkeurigere Return on Assets-berekeningen.”

Meta-learning
De Progress DataRPM-applicatie maakt gebruik van cognitieve technieken, geavanceerde machine learning en op meta-learning gebaseerde algoritmes om afwijkingen te identificeren en te voorspellen, vaak nog voordat deze zich voordoen in de productieomgeving. Meta-learning, een subset van machine learning, is een set algoritmen die computers leren zelf te leren in moeilijke Industrial IoT big data omgevingen. De applicatie voor detectie en voorspelling van afwijkingen van DataRPM biedt snelle, herhaalbare, schaalbare en goed interpreteerbare resultaten door zeer complexe sensorgegevens binnen enkele minuten te analyseren, apparatuur storingen te verminderen en de uitvoerkwaliteit en opbrengt te verhogen.