Aujourd’hui que ce soit avec l’utilisation de l’intelligence artificielle ou bien avec l’apprentissage automatique ; qui est un champ d’étude de l’IA ; il est désormais possible de fournir rapidement des résultats aux usines, en analysant les données à leur source.
L’explosion des Big Data
N’oublions pas que les big data explosent en termes de quantité et de variété, constituant une source de valeur pour les utilisateurs finaux. Mais cela est réalisable uniquement si elles sont analysées correctement. L’Internet industriel des objets (IIoT) a été conçu pour simplifier l’envoi de toutes les données collectées au travers d’un dispositif, via un système de contrôle. Là, elles sont examinées et analysées ou bien transmises à d’autres systèmes, pour une analyse plus poussée.
Bien que cette approche fonctionne, elle reste extrêmement coûteuse et gourmande en ressources pour les raisons suivantes :
- L’ajout de systèmes de contrôle est très coûteux. Il faut s’assurer qu’aucun n’interfère avec les opérations en temps réel.
- Les coûts augmentent rapidement si des cartes d’entrée supplémentaires doivent être ajoutées.
- Les coûts de câblage des capteurs, installés sur le terrain, vers les systèmes de contrôle peuvent augmenter rapidement.
- L’ajout d’un système de contrôle nécessite des ressources informatiques importantes pour le traitement, la manipulation et le stockage des données.
- La présentation de ces données aux experts, nécessite des ressources supplémentaires, tout comme l’analyse des données pour en tirer des enseignements.
Il est clair que l’envoi de toutes les données au système de contrôle, pour visualisation et analyse n’est pas une solution idéale. Il existe une meilleure alternative.
Une analyse approfondie
La plupart des données intéressantes proviennent d’appareils installés sur le terrain, souvent appelés “périphériques”. Nous y retrouvons des modules E/S, différents objets IoT, des passerelles, des switchs et bien d’autres encore. Le matériel installé dans ces types d’endroits doit pouvoir fonctionner de manière fiable dans des conditions environnementales difficiles ; telles que des températures extrêmes et des niveaux élevés de chocs et de vibrations. Par le passé, il n’était pas possible de fournir les ressources informatiques nécessaires au traitement des données. Cependant, aujourd’hui, des dispositifs plus innovants fournissent les ressources informatiques requises. Ils sont construits pour résister aux diverses conditions extrêmes présents sur les sites.
Ces appareils sont généralement des PC industriels robustes dotés d’options permettant de se connecter directement, avec de nombreux produits d’acquisition de données. Pour ce faire, cela nécessite une gamme de signaux d’entrée, tels que 4-20 MA ou 1-5 VDC, ainsi que la prise en charge de nombreux protocoles industriels (par exemple : avec Ethernet, LoraWAN, etc.).
Ces données doivent être par la suite traitées pour éliminer les anomalies. Ensuite, elles sont analysées pour fournir des informations immédiates au personnel d’exploitation. Cela nécessite généralement une grande puissance de calcul et un stockage de données important. De ce fait, le châssis doit posséder un espace suffisant pour accueillir tous les composants nécessaires.
Une étude de cas : Préserver la santé des abeilles
Selon l’Environment America Research & Policy Center, ces dernières années, les apiculteurs ont signalé qu’ils perdaient en moyenne 30 % des colonies d’abeilles chaque hiver. Si l’on examine les différentes causes d’échec ; entre 25 et 40 % des pertes sont dues à la mort de la Reine des abeilles. Dans la même lignée, les autres facteurs sont attribués aux risques environnementaux, à une mauvaise alimentation, aux parasites et aux maladies.
La question qui s’est alors posée est : “Comment en savoir plus sur la santé des ruches, le comportement des abeilles et la perte des reines pour limiter les futures pertes ?” Pour répondre à cette interrogation, SAS, leader de l’analyse par le biais de logiciels et de services innovants, a cherché à répondre à ces questions en apprenant davantage sur la santé des ruches ; grâce à l’apprentissage automatique. Les critères de la surveillance et du suivi de la santé des ruches étaient les suivants :
- Comprendre la santé des ruches
- Mesurer et quantifier les aspects des abeilles et de la ruche
- Fournir un aperçu de la disponibilité du fourrage
- Déterminer les périodes de floraison de la végétation
- Observer les effets sur le comportement des abeilles
- Détecter les événements importants de la ruche
Pour atteindre ces objectifs, SAS a dû utiliser efficacement la technologie IIoT, comme l’apprentissage automatique, l’intelligence artificielle (IA) et l’analyse visuelle. Grâce à ces éléments, il a été possible d’obtenir une image complète de la santé de la ruche ; en collectant, visualisant et analysant une variété de données IIoT, telles que :
- Les données des capteurs traditionnels – poids, température, humidité dans la ruche.
- Le flux audio provenant de l’intérieur de la ruche – analyse acoustique
- Le flux vidéo provenant de l’extérieur de la ruche – vision par ordinateur.
Le logiciel a commencé par prétraiter les données à l’aide d’une IA, puis a transmis les résultats directement sur le cloud pour identifier les caractéristiques de la ruche et de ses environs (poids, température, humidité, activité de vol et acoustique). Des modèles d’apprentissage automatique ont également été utilisés pour “écouter” les sons de la ruche, qui peuvent indiquer la santé, les niveaux de stress, les activités d’essaimage et le statut de la reine des abeilles.
Pour récolter les informations nécessaires, le PC fanless MIC-720AI-00A1 d’Advantech a été utilisé. Il offre les performances d’une station de travail GPU dans un module embarqué. Il peut résister à un environnement où les vibrations sont nombreuses, tout comme à des températures élevées.
En raison de la nature détaillée des données collectées, une technique d’apprentissage automatique a été mise en place. Elle a été nécessaire pour séparer les images des abeilles au premier plan de celles situées à l’arrière-plan, de façon à capter tous les mouvements des abeilles. Les données ont ensuite été compilées dans un tableau de bord pour une analyse en temps réel.
Grâce à ce matériel de pointe, une observation détaillée a pu être accomplie. Cela s’est avéré extrêmement important pour le traitement des données par ordinateur.