I den här artikeln kommer vi att introducera innebörden av datagränssnitt mellan människa och maskin. Anläggningsägare kan använda den här artikeln för att lära sig mer om konceptet med datagränssnitt mellan människa och dator och rollen för datagränssnitt mellan människa och dator i framtidens anläggning.
Den här artikeln omfattar:
- Vad betyder datagränssnitt mellan människa och maskin?
- Viktiga fördelar med datagränssnitt mellan människa och maskin
- Vilka branscher använder det?
- Vad krävs för implementering?
Vad betyder datagränssnitt mellan människa och dator?
Internet of Things och Big Data Environment
I takt med att fler och fler IoT-plattformar används i tillverkningen genereras stora mängder data. Den "smarta" fabriksmiljön handlar om att generera och leverera stora mängder data, maskininlärning, artificiell intelligens, augmented och virtual reality-lösningar och uppkopplade maskiner med integrerade IoT-plattformar. Den faktiska datan kan komma från externa källor som sensorer på maskiner, anslutna enheter, logistik, inbyggda HMI:er, interna SCADA-system och kundköpsmönster. Idag finns det otaliga datakällor som behöver integreras i beslutsprocessen.
Big Data och Business Intelligence-lösningar utvärderas alltmer för att få insikter från data. I de flesta fall skickas denna data till molnet för vidare analys och bearbetning. Det finns ett behov av en robust industriell molnlösning för att lagra och bearbeta data från flera genererade datakällor.
Med det sagt, men det finns tillfällen då omedelbara beslut måste fattas, i vilket fall data måste bearbetas vid kanten, snarare än att överföras till molnet först. Edge computing innebär att data från IoT-plattformar behandlas närmare där data faktiskt genereras. När det gäller fabriker handlar det om att bearbeta data på fabriksgolvet.
Tänk på en situation där en kritisk maskin på en viktig monteringslinje överhettas. Om all data måste skickas till molnet först kan detta vara mycket tidskrävande eftersom omedelbara åtgärder krävs. Frågor som involverar latens och nätverksanslutning kan också påverka. I det här fallet är edge computing att föredra framför en molnbaserad process eftersom sensorer från maskinerna bara kan skicka den data de behöver till HMI på fabriksgolvet, så fabrikspersonal kan omedelbart justera temperaturen på maskinerna därefter.
Mänskliga datagränssnitt
Human-Machine Data Interface-konceptet handlar om att människor interagerar direkt med maskingenererad data. Den beskriver också sambandet mellan hjärnan och maskinens tankemönster. Med andra ord, data flödar mellan den mänskliga hjärnan och maskinen.
Många anläggningsägare är bekanta med maskin-till-maskin-inblandning eftersom maskiner på fabriksgolvet kräver input från andra maskiner och är en del av ett internt SCADA-system. De flesta är också bekanta med konceptet att underlätta mänsklig interaktion genom språkanvändning.
Datagränssnitt mellan människa och maskin handlar om kommunikation mellan människa och maskin. Mänskliga datagränssnitt kräver maskiner som kan plocka upp och förstå inte bara neurala mönster och kommunikationer, utan också känna igen och förstå andra sensoriska indikatorer. Detta kan innefatta användning av ansiktsigenkänningssystem så att återförsäljare kan mäta en kunds reaktion på en viss produkt eller tillhandahålla reklaminformation i realtid om en produkt som de har visat positivt intresse för. Maskiner bör också kunna bearbeta och förstå röstkommandon, visuella signaler, biofeedback och andra sensoriska data för att effektivt kunna engagera sig i denna kommunikation.
Mänskliga datagränssnitt är i linje med Industry 4.0-målet för maskininlärning, eftersom maskiner kommer att lära sig och kunna bearbeta data de får från den mänskliga hjärnan/direkt mänsklig feedback. Således, om detta koncept tillämpas på en fabriksmiljö, i fallet med en överhettad maskin, kan temperaturen justeras genom visuella signaler eller direkta röstkommandon från fabriksarbetare.
Viktiga fördelar med datagränssnitt mellan människa och maskin
Förbättrad beslutsförmåga
Datadriven anläggningsoptimering har underlättat utvecklingen av prediktiva underhållslösningar och andra stora datainsikter såsom maskininlärningsalgoritmer. När IoT-plattformar väl är på plats kan mänskliga datagränssnitt ge den mänskliga hjärnan tillgång till data och insikter direkt från dessa plattformar utan att behöva överföra data till molnet först.
Förenkla processen för dataengagemang
Dataanalys är ett ganska komplext område. Även om utvecklingen av back-end-system fortfarande kräver avancerad teknisk kapacitet, har gränssnitt mellan människa och maskin potential att minska komplexiteten hos traditionella front-end-system.
Dataanalys och bearbetning i realtid
Mänskliga datagränssnitt är väl lämpade för avancerade bearbetningsmiljöer och möjliggör kritiskt beslutsfattande och dataanalys i realtid. Det finns ingen tidsfördröjning på grund av latens och endast den data som behöver bearbetas skickas, därför är mindre paket med data involverade.
Använder industrin det?
För närvarande finns det inte många industrier som använder Human Data Interface. Sjukvårdssektorn har varit en tidig användare av Human Data Interface-teknologi och har använts för att hjälpa paraplegiska patienter. Det förväntas att fler och fler industrier kommer att anta Human Data Interface-modellen inom en snar framtid.
Vad kräver implementering?
Attitydförändring
Det första hindret som måste övervinnas för att implementera ett mänskligt datagränssnitt är attityden. Traditionellt har dataanalys och big data-hantering bara grävts in av dataanalytiker och andra IT-/affärsexperter. För att fråga data måste man också förstå databaser och flera programmeringsspråk. Konceptet för mänskliga datagränssnitt bygger på den mänskliga hjärnans förmåga att ge direkta kommandon till maskiner och maskiners förmåga att uppfatta mänskliga signaler och sensoriska indikatorer. Detta innebär att dataflödet kan underlättas oavsett färdighetsnivå eller expertis hos slutanvändaren, vilket kräver en dramatisk förändring av nuvarande attityder till dataförfrågningar och hantering.
Förstå data
Den mänskliga hjärnan måste kunna förstå data som överförs av maskinen och vice versa. Virtual reality-träning och andra AI-verktyg kan användas för att förse människor med maskinengagemangssessioner för mer komplexa datamängder. Maskiner måste också ha de nödvändiga sensorerna och algoritmerna för att bearbeta direkt mänsklig feedback.