संज्ञानात्मक विसंगति का पता लगाने का औद्योगिक इंटरनेट पर क्या प्रभाव पड़ेगा?

वैश्विक विशेषज्ञों ने भविष्यवाणी की है कि IIot बाजार सभी की अपेक्षाओं से ऊपर उठेगा। यह बताया गया है कि यह 2030 तक (एक्सेंचर द्वारा शोध के अनुसार) वैश्विक अर्थव्यवस्था में लगभग 14.2 ट्रिलियन डॉलर जोड़ देगा। लेकिन तब से, यह सिर्फ इसलिए बाधाओं का सामना कर रहा है क्योंकि पारंपरिक तरीके विसंगतियों का पता लगाने और भविष्यवाणी करने में सक्षम नहीं हैं। हाल ही में कॉग्निटिव एनोमली डिटेक्शन सामने आया है, लेकिन क्या यह उम्मीद के मुताबिक प्रदर्शन कर पाएगा? खैर, इसके बारे में जानने के लिए आपको IIoT और Cognitive Anomaly Detection के बारे में पता होना चाहिए। तो चलिए शुरू करते हैं!

IIoT क्या है?

IIot शब्द 2012 के अंत में GE द्वारा गढ़ा गया था। IIot या इंडस्ट्रियल इंटरनेट ऑफ़ थिंग्स अवधारणा की बड़ी तस्वीर है जिसे इंटरनेट ऑफ़ थिंग्स के रूप में जाना जाता है। IIoT एमएल और बिग डेटा तकनीक की क्षमता को काम में लाता है। इसके साथ, स्वचालन प्रौद्योगिकियों को स्व-निहित प्रदर्शन के अगले स्तर पर अपग्रेड करना अब एक कठिन कार्य नहीं रहेगा। पूरी दुनिया में सेंसर या इंटरनेट ऑफ थिंग्स द्वारा एकत्र किए जा रहे डेटा की मात्रा पर विचार करें, उचित विश्लेषण के बिना इनका उपयोग बंद हो जाएगा और हम अंततः उन्हें हटा देंगे। इससे डेटा संग्रह की प्रक्रिया बेकार हो जाएगी। लेकिन IIoT के साथ, डेटा को अन्य प्रणालियों के साथ जोड़ा जा सकता है और बहुत आसान तरीके से संसाधित किया जा सकता है। लेकिन वैसे भी संज्ञानात्मक विसंगति क्या है?

संज्ञानात्मक विसंगति का पता लगाना क्या है?

CA डिटेक्शन एक ऐसी प्रक्रिया है जो IIoT डेटा में विसंगतियों की पहचान करती है (विशाल हिस्सा जो पहले बेकार था) अनपर्यवाइज्ड लर्निंग और पैटर्न रिकग्निशन की मदद से। इनके साथ, झूठे अलार्म की उपस्थिति को काफी कम किया जा सकता है। साथ ही, सही समय पर दोषों और विफलताओं का पता लगाने से हम समय और संसाधनों की काफी बचत कर सकते हैं।

IIoT पर संज्ञानात्मक विसंगति का पता लगाने के प्रभाव पर आ रहा है ...

अगर आँकड़ों पर भरोसा किया जाए, तो A350 विमान पर लगभग 6k सेंसर होते हैं जो प्रति उड़ान 2.5 पेटाबाइट डेटा उत्पन्न करने में सक्षम होते हैं। कार निर्माता, बिजली संयंत्र, तेल रिसाव, असेंबली लाइन आदि जैसे क्षेत्र भी बहुत पीछे नहीं हैं। हजारों सेंसर लगातार काम कर रहे हैं, वे दैनिक आधार पर भारी मात्रा में डेटा का उत्पादन कर रहे हैं। हालाँकि, IIoT कंपनियां उत्पादित डेटा के 20% से अधिक का उपयोग नहीं कर सकती हैं। फिर भी, हम अभी भी एकत्र किए गए इन सभी डेटा के उपयोग का पता लगाने का प्रयास कर रहे हैं क्योंकि हम उन प्रतिमानों की पहचान करने में सक्षम नहीं हैं जो महत्वपूर्ण हैं। हमें उपकरणों की उपयोगिता दर बढ़ाने और आवश्यक ईंधन को कम करने के लिए बड़े पैमाने पर विसंगति खोजने की जरूरत है।

इसके अलावा, कई अन्य विसंगतियाँ हैं जैसे विलंबता समस्या जो वास्तविक समय डेटा को सीधे प्रभावित करती है, छोटे भागों के जीवनकाल की भविष्यवाणी करने में विफलता, जनशक्ति को नियोजित करने में शामिल खर्च, और कई अन्य।

जैसा कि ऊपर उल्लेख किया गया है, संज्ञानात्मक विसंगति मशीन लर्निंग और डेटा एनालिटिक्स द्वारा संचालित होती है जो IIot को समाधान खोजने और उन समस्याओं को दूर करने में मदद करती है जो पारंपरिक तरीके भविष्यवाणी या हल करने में विफल होते हैं। हालाँकि, केवल विसंगतियों का पता लगाना पर्याप्त नहीं है। चूंकि कई प्रकार की विसंगतियां हैं, अच्छे और बुरे के बीच अंतर करना दरार करने के लिए एक कठिन अखरोट बन जाता है। इसलिए, यदि हम विफलता की भविष्यवाणी करने के लिए कनेक्ट और सहसंबंध कर सकते हैं तो हम बड़ी मात्रा में समय और संपत्ति बचा सकते हैं।

इस पर, डेटा वैज्ञानिक ताज दर्रा ने बताया है कि जब ML को एक संज्ञानात्मक IoT फ्रेमवर्क के साथ बढ़ाया जाता है, तो यह IIoT व्यवसायों को सेंसर डेटा के प्रारंभिक अंतर्ग्रहण से लेकर आउटपुट भविष्यवाणियों तक विसंगतियों का पता लगाने में सक्षम बनाता है और यह निर्धारित करता है कि कुछ विसंगति है या नहीं केवल 2 दिन। यह काफी प्रभावशाली है क्योंकि अब सभी सेंसर को समानांतर में मापा जा सकता है।

कॉग्निटिव एनोमली डिटेक्शन चरणों में किया जाता है और उन्हें सटीक दिए गए क्रम में किया जाता है। कनेक्ट करें, पता लगाएं, मान्य करें, भविष्यवाणी करें और कार्य करें। सबसे पहले, हम संरचना डेटा स्रोतों से जुड़ते हैं और फिर हम यह पता लगाते हैं कि पाई गई संस्थाओं को एक विसंगति के रूप में माना जा सकता है या नहीं। सत्यापन प्रक्रिया में प्रक्रिया जारी रहती है और फिर भविष्यवाणियां की जाती हैं। जैसे ही यह प्रक्रिया पूरी हो जाती है, आप कार्य करने के लिए अपने सिस्टम के एपीआई से जुड़ सकते हैं। इस दृष्टिकोण को अपनाकर आप असामान्य रूप से व्यवहार शुरू करने से पहले लगभग 75% भागों के टूटने का आसानी से अनुमान लगा सकते हैं।

इसलिए, हम कह सकते हैं कि इन दोनों को मिलाने से हमें अपनी प्रथाओं को उन्नत करने में मदद मिलेगी। हम इस बात से इंकार नहीं कर सकते कि डेटा की एक बड़ी मात्रा अनावश्यक रूप से जगह लेती है क्योंकि हमारे पास प्रभावी प्रथाओं की कमी है, पारंपरिक तरीकों को नए के साथ बदलने से निश्चित रूप से हमारा उद्देश्य पूरा होगा। इसके अलावा, यदि हम प्रतिदिन उत्पादित होने वाले डेटा के बड़े हिस्से पर नियंत्रण प्राप्त करते हैं, तो हम परिसंपत्ति विफलता प्रबंधन, अनियोजित डाउनटाइम में कमी, बेहतर विफलता भविष्यवाणी, रखरखाव लागत को कम करने, संसाधन उपयोग को अनुकूलित करने, गुणवत्ता के मुद्दों को रोकने और वारंटी दावों को कम करने में सक्षम होंगे। , और संवर्धित संपत्ति जीवन।

यह उच्च समय है कि हम अपग्रेड करें! हम आशा करते हैं कि यह काम करता है जैसा कि डेटा विशेषज्ञों ने वादा किया है ताकि हमारा कल बेहतर हो! इस पर आपके क्या विचार हैं, हमें नीचे टिप्पणी अनुभाग में बताएं!