DTF1019
訂報優惠

邊緣運算結合機器學習 縮短機器預判時間

  • 謝明珊
邊緣機器學習透過挖掘工業資料,來優化生產的結果、改善工作環境、節省更多成本。Plethora IIoT

邊緣機器學習(edge machine learning)結合了兩大產業趨勢,一是把工業物聯網運算轉移到網路邊緣,二是建立新的工業資產效率模式。

據insideBIGDATA報導,產業專家大多認為,工業物聯網將成為下一個金雞母產業,不僅可以降低停機時間和減少浪費,還可以營造更安全的工作環境,但是要達成這些目標並不容易。

機器學習是工業物聯網的關鍵元素,有助於企業建立狀態監控、預測性維護和即時流程優化的模型。

一旦把演算法模型應用到串流資料,就能夠實現之前沒善用的商業價值,包括降低非預期的停機時間和提高產量。若進一步結合邊緣雲端運算,製造流程可望獲得更妥善的管理,以便快速做出決策,所需的頻寬和儲存成本都會減少。

企業可利用邊緣機器學習建立複雜的演算法,來優化機器、流程甚至整間工廠。舉例來說,風力發電廠採用邊緣機器運算後,可建立預測能源生產的模型,比方特定一週內發電量會有多少,邊緣機器學習可同時從串流感測器和歷史背景收集資料,在邊緣運算節點訓練這個模型。

邊緣機器學習也會在邊緣節點訓練全新的模型,高階邊緣運算軟體需要複雜事件處理(CEP)引擎來處理運算密集的計算,以便在任何裝置展開機器學習。這套邊緣軟體也會支援常見的工業機器學習模型,以針對各式各樣的資料提供合適的方案。

雲端機器學習的力量在於實現客戶未實現的效率,邊緣機器學習透過挖掘工業資料,來優化生產的結果、改善工作環境、節省更多成本。雲端運算和機器學習都是當紅的工業趨勢,兩者結合可謂潛力無限。