订报
Advantechline
 

善用边缘运算做好数据过滤 才能展现物联网经济效益

高质量的数据能让工厂做出正确的数据驱动决策。法新社

尽管业界预计物联网(IoT)和工业物联网(IIoT)项目将快速成长,但仍有一些重大挑战需克服,方能赢得客户信任,将先导项目转化为大规模IoT部署。除了连通性限制、安全风险和数据偏见,数据质量对实施有效IoT项目也很重要。而边缘运算能在本地清理和格式化髒数据,能大幅改善数据质量。

根据IoT Now报导,企业使用的数据若正确且适合当前用例,就肯定会做出正确的数据驱动决策。质量差的数据实际上毫无用处,且会导致严重问题,例如不正确的机器学习模型、决策或投资回报率不足。具体而言,随著人工智能(AI)和机器学习应用增加,垃圾数据进出的经典问题再次浮出水面。

高质量的数据馈送、训练和调整机器学习模型,能让导入IoT的工厂得以做出明智的数据驱动决策。在高质量数据集上进行训练的预测性机器学习模型可在重大问题出现前检测潜在故障,以最大限度地提高设备的可靠性。

但髒数据(dirty data),包括丢失、不完整或易出错的数据,会让组织犯下费时且昂贵的错误。因此,组织须采用方法论来确保其数据流的完整性、有效性、一致性和正确性。

事实上,边缘运算对数据质量有很大影响。工业传感器有许多不同类型,并收集大量、多样和高速的数据。组织若能成功地调整、清理、丰富和融合这些数据流,则能显著提高其营运效率、运行状况和安全性。但要绘制完整准确的工厂营运图,组织须收集、结合和处理由这些远距数据源提供的原始见解。

边缘运算在这些类型的环境中蓬勃发展,因其能从一开始就收集和处理实时数据,然后在数据中创建结构以辨识价值。启用边缘运算的机器有助于在本地清理和格式化髒数据,从而改善了对准确有效的机器学习模型的培训和部署。

启用边缘运算的方案能将实时机器数据转换为与生产效率和质量指标有关的可操作见解。营运经理可藉此减少计划外停机、提高产量及机器利用率。随著边缘解决方案使用实时数据处理和分析将原始的传感器数据流转化为可操作的见解,许多组织开始认识到边缘运算可为其IoT和IIoT项目带来的价值。


  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 工业物联网