Integrant la intel·ligència artificial a l'IdC – Casos d'ús i tendències 

A continuació, exposarem diverses tendències amb alguns casos d'ús en què la intel·ligència artificial s'està utilitzant a l'internet de les coses:

Manteniment preventiu: La IA l'IdC pot ajudar a fer un manteniment preventiu mitjançant l'anàlisi de les dades dels sensors en temps real. En recopilar dades dels sensors als equips i el sistema, la IA pot detectar patrons i tendències que puguin indicar-ne un mal funcionament. Uns quants exemples:

• Sensors i anàlisi de dades: Els sensors IdC poden recopilar dades de diverses fonts, com maquinàries, equips, sistemes de seguretat, etc. Aquestes dades poden incloure informació com la temperatura, la humitat, la pressió, la vibració, el flux d'energia, etc. Per exemple, si un motor mostra un augment en la vibració, la IA a l'IdC pot predir que el motor està a punt de fallar i alertar els tècnics perquè en facin el manteniment abans que el motor falli.
• Anàlisi de dades: La IA a l'IdC pot analitzar les dades recopilades en temps real per identificar patrons i tendències en el rendiment dels equips o sistemes. Això es pot fer utilitzant tècniques d'aprenentatge automàtic i mineria de dades. La IA pot identificar patrons que indiquen el deteriorament d'un equip o sistema i alertar els usuaris perquè en facin el manteniment abans que hi hagi la fallada.
• Planificació de manteniment: La IA a l'IdC també pot ajudar en la planificació de manteniment. En analitzar les dades de rendiment, la IA pot identificar quan es necessitarà manteniment en el futur i planificar la realització de tasques de manteniment abans que hi hagi una fallada.

Un article interessant sobre el tema podria ser “Del model analític basat en el coneixement al big data: un sistema de suport de decisions innovador basat en l'IdC i l'aprenentatge automàtic per al manteniment predictiu en la Indústria 4.0”, en què parla de l'internet de les coses i el sistema ciberfísic, són tecnologies clau en la indústria 4.0 que permeten la implementació de la producció intel·ligent i el manteniment predictiu (MP), que cerca predir i abordar problemes de manteniment per minimitzar el temps d'inactivitat i els costos associats. La falta de manteniment pot portar a avaries d'emergència i temps d'inactivitat a les línies de producció, cosa que afecta la capacitat de producció i disminueix el marge de benefici. Els sistemes de suport de decisions de manteniment (DSS) potenciats amb IdC, big data i machine learning poden ajudar a garantir la mantenibilitat i la confiabilitat dels equips a les indústries. Tanmateix, l'aplicació de MP en entorns de producció presenta desafiaments no resolts, com la dificultat de recuperar dades d'entrenament etiquetades com a fallades.

Detecció d'anomalies a les dades: també pot ajudar a detectar anomalies a les dades dels sensors. La IA pot analitzar grans quantitats de dades i detectar patrons que puguin indicar un mal funcionament o una fallada imminent. Per exemple:

Anàlisi de dades: Els sensors IdC poden recopilar dades de diverses fonts, com maquinàries, equips, sistemes de seguretat, etc. Aquestes dades poden incloure informació com la temperatura, la humitat, la pressió, la vibració, el flux d'energia, etc. La IA a l'IdC pot analitzar les dades recopilades en temps real per identificar patrons anormals. Això es pot fer utilitzant tècniques d'aprenentatge automàtic i mineria de dades. La IA pot identificar patrons que no s'ajusten a les normes i alertar els usuaris sobre possibles problemes.

Manteniment predictiu: La detecció d'anomalies es pot utilitzar per al manteniment predictiu. En identificar patrons anormals a les dades, la IA pot predir quan hi pot haver un problema en un sistema. Per exemple, si el sistema de ventilació d'un edifici mostra patrons anormals de flux d'aire, la IA pot predir que el sistema està a punt de fallar i alertar els tècnics perquè en facin manteniment abans que el sistema falli.

Seguretat: La detecció d'anomalies també es pot utilitzar per millorar la seguretat. Per exemple, si un sistema de seguretat en una empresa mostra patrons anormals d'accés o comportament dels treballadors, la IA pot detectar aquestes anomalies i alertar el personal de seguretat sobre possibles amenaces.

Un article interessant sobre el tema podria ser “Detecció i predicció d'anomalies en dispositius IdC a l’edge computing”, en què parla de: Actualment, els dispositius de l'internet de les coses (IdC), tenen la capacitat de poder executar models d'aprenentatge automàtic (ML). Aprofitant aquest potencial, es pretén incorporar en un dispositiu IdC un model de ML per detectar i predir anomalies a les dades (sèries temporals) que capturen, en temps real, els sensors connectats al dispositiu. Detectar i predir dades anòmales dins del dispositiu pot aportar avantatges com la reducció d'enviament de les dades errònies i, així, aconseguir un estalvi en la seva transmissió i també en el posterior processament d'aquestes dades al núvol, així com poder fer un filtratge de les dades errònies. L'àmbit del treball és l'ambiental, en aquest cas, per mesurar la qualitat de l'aire. Els sensors mesuraran les partícules de l'aire. El dispositiu IdC es gestionarà mitjançant la plataforma https://www.particle.io/, hi haurà disponibles dos tipus de sensors per mesurar diversos diàmetres de partícules de l'aire. Els sensors seran: Particulate Matter Sensor SPS30 i Laser PM2.5 Dust Sensor. Aquest treball pretén aconseguir desenvolupar un model de ML per la detecció i predicció de dades anòmales capturades pels sensors connectats al dispositiu IdC i executar-lo dins els dispositius IdC.

Millorar l'eficiència i l'automatització: La integració de la IA a l'IdC permet que els dispositius siguin més eficients i autònoms. Per exemple:

• Fabricació: La IA a l'IdC es pot utilitzar per millorar l'eficiència i l'automatització en la fabricació. Per exemple, els sensors IdC poden recopilar dades en temps real sobre els processos de fabricació, i la IA pot analitzar les dades per identificar possibles problemes o ineficiències a la producció. Això pot ajudar els fabricants a prendre mesures preventives abans que surtin problemes i augmentar l'eficiència de la producció.
• Logística: La IA a l'IdC també es pot utilitzar per millorar l'eficiència i l'automatització en la logística. Per exemple, els sensors IdC poden monitorar la ubicació i l'estat dels enviaments, i la IA pot analitzar les dades per optimitzar les rutes d'enviament i reduir els costos de transport. També es poden utilitzar sistemes de seguiment automatitzats per enviar actualitzacions d'estat als clients.
• Manteniment: La IA a l'IdC també es pot utilitzar per millorar l'eficiència i l'automatització en el manteniment d'equips i maquinàries. Per exemple, els sensors IdC poden recopilar dades en temps real sobre el rendiment dels equips, i la IA pot analitzar les dades per detectar possibles problemes abans que passin. Això pot ajudar els tècnics de manteniment a prendre mesures preventives per mantenir els equips en bon estat de funcionament i evitar costosos temps d'inactivitat.

Un article interessant sobre el tema podria ser: “Disseny d'un sistema de monitoratge amb IdC per controlar paràmetres fisicoquímics en un hivernacle per a cultius hidropònics ubicat en el corregiment de tigrera al districte de Santa Marta”, en què parla sobre el context dels cultius hidropònics a Colòmbia i es revelen factors que afecten aquest negoci a causa del creixement de la població urbana. El propòsit de la recerca és determinar els problemes que afecten la indústria de la hidroponi i recopilar informació sobre les tècniques eficients de cultiu que poden millorar l'ús de l'aigua i augmentar la productivitat. Es proposa el disseny d'un sistema de monitoratge basat en IdC que permetrà monitorar les principals condicions ambientals del procés de producció del producte mitjançant un sistema encastat, i que estarà vinculat a una pàgina web en què l'agricultor podrà visualitzar la informació dels sensors.

Millorar la seguretat: La IA s'està utilitzant per millorar la seguretat en diverses àrees:

• Als dispositius IdC. Per exemple, la IA pot detectar patrons de comportaments sospitosos a les dades dels sensors per identificar possibles amenaces de seguretat.
• Seguretat física: Es pot utilitzar per monitorar els entorns i detectar situacions de seguretat. Per exemple, les càmeres de seguretat equipades amb IA poden detectar comportaments sospitosos, com una persona que es queda en un lloc durant massa estona o que porta un objecte inusual. En detectar aquestes situacions, es poden enviar i prendre mesures per prevenir situacions de seguretat.
• Seguretat cibernètica: també es pot utilitzar per millorar la seguretat cibernètica: en analitzar grans quantitats de dades que generen dispositius IdC, la IA pot detectar patrons i anomalies que puguin indicar una amenaça cibernètica. Per exemple, la IA pot detectar trànsit inusual en una xarxa, cosa que pot indicar un atac de denegació de servei (DoS). En detectar aquestes amenaces, es poden prendre mesures preventives per evitar un atac.
• Seguretat de la cadena de subministrament: La IA a l'IdC també es pot utilitzar per millorar la seguretat de la cadena de subministrament. En rastrejar els productes amb sensors IdC, la IA pot detectar qualsevol anomalia en el procés d'enviament, com una possible manipulació del producte. En detectar aquestes situacions, es poden prendre mesures per garantir la seguretat del producte i prevenir possibles riscos per als consumidors.

Un article interessant podria ser “Dispositius intel·ligents en seguretat industrial per a la prevenció d'accidents i malalties ocupacionals”. L'article se centra en la importància de la seguretat industrial en empreses i construccions, i com les solucions tecnològiques poden contribuir a millorar-la. La recerca se centra en determinar un conjunt de tecnologies en dispositius intel·ligents per prevenir accidents i malalties ocupacionals, mitjançant una revisió de bibliografia. Es conclou que les tecnologies poden capturar i processar dades per augmentar la seguretat, monitorar l'estat personal en línia i prendre decisions en temps real.