Hvad er en menneske-maskine datagrænseflade?

Apr 10, 2024 Læg en besked

I denne artikel vil vi introducere betydningen af ​​menneske-maskine-datagrænseflader. Anlægsejere kan bruge denne artikel til at lære mere om begrebet menneske-computer-datagrænseflader og rollen som menneske-computer-datagrænseflader i fremtidens anlæg.

 

Denne artikel dækker:

 

  • Hvad betyder menneske-maskine datagrænseflade?
  • Vigtigste fordele ved menneske-maskine datainterface
  • Hvilke brancher bruger det?
  • Hvad kræves for implementering?

 

Hvad betyder menneske-computer datagrænseflade?

Internet of Things og Big Data Environment

 

Efterhånden som flere og flere IoT-platforme bruges i fremstillingen, genereres der store mængder data. Det "smarte" fabriksmiljø handler om at generere og levere store mængder data, maskinlæring, kunstig intelligens, augmented og virtual reality-løsninger og forbundne maskiner med integrerede IoT-platforme. De faktiske data kan komme fra eksterne kilder såsom sensorer på maskiner, tilsluttede enheder, logistik, indlejrede HMI'er, interne SCADA-systemer og kundekøbsmønstre. I dag er der utallige datakilder, som skal integreres i beslutningsprocessen.

 

Big Data og Business Intelligence-løsninger bliver i stigende grad evalueret for at få indsigt fra data. I de fleste tilfælde sendes disse data til skyen for yderligere analyse og behandling. Der er behov for en robust industriel cloud-løsning til at lagre og behandle data fra flere genererede datakilder.

 

Når det er sagt, er der dog tidspunkter, hvor der skal træffes øjeblikkelige beslutninger, i hvilket tilfælde dataene skal behandles på kanten i stedet for at blive transmitteret til skyen først. Edge computing involverer behandling af data fra IoT-platforme tættere på, hvor dataene rent faktisk genereres. For fabrikkers vedkommende drejer det sig om behandling af data på fabriksgulvet.

 

Overvej en situation, hvor en kritisk maskine på et vigtigt samlebånd overophedes. Hvis alle data skal sendes til skyen først, kan dette være meget tidskrævende, fordi øjeblikkelig handling er påkrævet. Problemer med latenstid og netværksforbindelse kan også have en indvirkning. I dette tilfælde er edge computing at foretrække frem for en cloud-baseret proces, fordi sensorer fra maskinerne kun kan sende de data, de har brug for, til HMI'et på fabriksgulvet, så fabrikspersonalet straks kan justere temperaturen på maskinerne derefter.

 

Menneske Data Grænseflade

 

Human-Machine Data Interface-konceptet handler om mennesker, der interagerer direkte med maskingenererede data. Den beskriver også sammenhængen mellem hjernen og maskinens tankemønstre. Med andre ord flyder data mellem den menneskelige hjerne og maskinen.
 

Mange anlægsejere er bekendt med maskine-til-maskine involvering, fordi maskiner på fabriksgulvet kræver input fra andre maskiner og er en del af et internt SCADA-system. De fleste er også bekendt med konceptet om at lette menneskelig interaktion gennem brug af sprog.

 

Menneske-maskine-datagrænseflader handler om menneske-maskine-kommunikation. Menneskelige datagrænseflader kræver maskiner, der er i stand til at opfange og forstå ikke kun neurale mønstre og kommunikation, men også genkende og forstå andre sensoriske indikatorer. Dette kunne omfatte brugen af ​​ansigtsgenkendelsessystemer, så detailhandlere kan måle en kundes reaktion på et bestemt produkt eller give salgsfremmende oplysninger i realtid om et produkt, som de har vist positiv interesse for. Maskiner bør også være i stand til at behandle og forstå stemmekommandoer, visuelle signaler, biofeedback og andre sensoriske data for effektivt at kunne deltage i denne kommunikation.

 

Menneskelige datagrænseflader er i overensstemmelse med Industry 4.0-målet om maskinlæring, da maskiner vil lære og være i stand til at behandle de data, de modtager fra den menneskelige hjerne/direkte menneskelig feedback. Således, hvis dette koncept anvendes til et fabriksmiljø, i tilfælde af en overophedet maskine, kan temperaturen justeres ved visuelle signaler eller direkte stemmekommandoer fra fabriksarbejdere.

 

Vigtigste fordele ved menneske-maskine datagrænseflader

 

Forbedrede beslutningsevner
Datadrevet anlægsoptimering har lettet udviklingen af ​​prædiktive vedligeholdelsesløsninger og andre big data-indsigter såsom maskinlæringsalgoritmer. Når først IoT-platforme er på plads, kan menneskelige datagrænseflader give den menneskelige hjerne adgang til data og indsigt direkte fra disse platforme uden først at skulle overføre data til skyen.

 

Forenkling af dataengagementsprocessen
Dataanalyse er et ret komplekst område. Mens udviklingen af ​​back-end-systemer stadig kræver avancerede teknologiske muligheder, har menneske-maskine-grænseflader potentialet til at reducere kompleksiteten af ​​traditionelle front-end-systemer.

 

Real-time dataanalyse og behandling
Menneskelige datagrænseflader er velegnede til kantbehandlingsmiljøer og giver mulighed for kritisk beslutningstagning og dataanalyse i realtid. Der er ingen tidsforsinkelse på grund af latens, og kun de data, der skal behandles, sendes, derfor er der tale om mindre pakker med data.

 

Bruger industrien det?
I øjeblikket er der ikke mange industrier, der bruger Human Data Interface. Sundhedssektoren har været en tidlig bruger af Human Data Interface-teknologi og er blevet brugt til at hjælpe paraplegiske patienter. Det forventes, at flere og flere industrier vil tage Human Data Interface-modellen i brug i den nærmeste fremtid.

 

Hvad kræver implementering?


Attitudeændring
Den første hindring, der skal overvindes for at implementere en menneskelig datagrænseflade, er holdning. Traditionelt er dataanalyse og big data management kun blevet dykket rigtigt ned af dataanalytikere og andre IT-/forretningsprofessionelle. For at forespørge data skal man også forstå databaser og flere programmeringssprog. Begrebet menneskelige datagrænseflader er afhængige af den menneskelige hjernes evne til at udstede direkte kommandoer til maskiner, og maskinernes evne til at opfange menneskelige signaler og sensoriske indikatorer. Dette betyder, at dataflow kan lettes uanset færdighedsniveauet eller ekspertisen hos slutbrugeren, hvilket kræver et dramatisk skift i den nuværende holdning til dataforespørgsel og -styring.

 

Forstå data
Den menneskelige hjerne skal være i stand til at forstå de data, der transmitteres af maskinen og omvendt. Virtual reality-træning og andre AI-værktøjer kan bruges til at give folk maskinengagement-sessioner til mere komplekse datasæt. Maskiner skal også have de nødvendige sensorer og algoritmer til at behandle direkte menneskelig feedback.

Send forespørgsel

whatsapp

Telefon

E-mail

Undersøgelse