【導讀】工業(yè)4.0應用產(chǎn)生大量的復雜數據——大數據。傳感器和可用數據源越來(lái)越多，通常要求機器、系統和流程的虛擬視圖更詳細。這自然會(huì )增加在整個(gè)價(jià)值鏈上產(chǎn)生附加值的潛力。但與此同時(shí)，有關(guān)如何挖掘這種價(jià)值的問(wèn)題不斷出現。畢竟，用于數據處理的系統和架構變得越來(lái)越復雜。只有使用相關(guān)、優(yōu)質(zhì)且有用的數據，也就是智能數據，才能挖掘出相關(guān)的經(jīng)濟潛力。
挑戰
收集所有可能的數據并將其存儲在云中，希望以后對其進(jìn)行評估、分析和構建使用，這仍然是一種廣泛采用的挖掘數據價(jià)值方法，但不是特別有效。從數據中挖掘附加值的潛力仍未得到充分利用，并且以后再尋找解決方案會(huì )變得更加復雜。更好的替代方法是盡早考慮確定哪些信息與應用相關(guān)，以及可以在數據流的哪個(gè)位置提取信息?？梢杂眉毣瘮祿?lái)打比方，即從整個(gè)處理鏈的大數據中提取出智能數據?？稍趹脤記Q定哪些AI算法對于單個(gè)處理步驟的成功概率較高。這個(gè)決定取決于邊界條件，如可用數據、應用類(lèi)型、可用傳感器模型和有關(guān)物理層處理的背景信息。
（圖片來(lái)源：ADI公司）
對于獨立的處理步驟，正確處理和解讀數據對于從傳感器信號生成真正的附加值非常重要。根據應用的不同，正確解讀分立傳感器數據并提取所需的信息可能很困難。時(shí)間行為通常會(huì )發(fā)揮作用，并直接影響所需的信息。此外，還必須經(jīng)?？紤]多個(gè)傳感器之間的依賴(lài)關(guān)系。對于復雜的任務(wù)，簡(jiǎn)單的閾值和手工確定的邏輯已不足以應對。
AI算法
相比之下，通過(guò)AI算法進(jìn)行數據處理可以自動(dòng)分析復雜的傳感器數據。通過(guò)這種分析，可從數據處理鏈中的數據自動(dòng)獲得所需的信息，從而獲得附加值。
對于始終屬于A(yíng)I算法一部分的模型構建，基本上有兩種不同的方法。
一種方法是通過(guò)公式、傳感器數據與所需信息之間的顯式關(guān)系進(jìn)行建模。這些方法需要以數學(xué)描述的形式提供物理背景信息。這些所謂基于模型的方法將傳感器數據與此背景信息相結合，針對所需信息產(chǎn)生更精確的結果。這里最廣為人知的示例是卡爾曼濾波器。
如果有數據，而沒(méi)有可使用數學(xué)方程形式描述的背景信息，那么必須選擇所謂的數據驅動(dòng)方法。這些算法直接從該數據中提取所需的信息。它們包含所有的機器學(xué)習方法，包括線(xiàn)性回歸、神經(jīng)網(wǎng)絡(luò )、隨機森林和隱式馬爾可夫模型。
選擇哪種AI算法通常取決于有關(guān)應用的現有知識。如果有廣泛的專(zhuān)業(yè)知識，AI將發(fā)揮更大的支持作用，所使用的算法也很初級。如果沒(méi)有專(zhuān)業(yè)知識，所使用的AI算法可能要復雜得多。在很多情況下，由應用定義硬件，從而限制AI算法。
嵌入式、邊緣或云實(shí)現
包含每單個(gè)步驟所需的所有算法的整體數據處理鏈必須以能夠盡可能生成附加值的方式實(shí)現。通常在總體層級實(shí)現——從具有有限計算資源的小型傳感器，到網(wǎng)關(guān)和邊緣計算機，再到大型云計算機。很明顯，這些算法不應只在一個(gè)層級上實(shí)現。而盡可能接近傳感器實(shí)現算法通常會(huì )更有利。通過(guò)這種方式，可以在早期階段對數據進(jìn)行壓縮和細化，并降低通信和存儲成本。此外，通過(guò)早期從數據中提取基本信息，在更高層級開(kāi)發(fā)全局算法就沒(méi)那么復雜。在大多數情況下，流分析區域中的算法也有助于避免不必要的數據存儲，由此降低數據傳輸和存儲成本。這些算法只使用每個(gè)數據點(diǎn)一次；也就是說(shuō)，直接提取完整信息，且無(wú)需存儲數據。
在終端（例如，嵌入式AI）上處理AI算法需要采用嵌入式處理器，以及模擬和數字外設，用于數據采集、處理、控制和連接。處理器還需要能夠實(shí)時(shí)捕獲和處理本地數據，以及擁有執行先進(jìn)的智能AI算法的計算資源。例如，ADI的ADuCM4050基于A(yíng)RM Cortex-M4F架構，提供集成且節能的方法來(lái)嵌入AI。
實(shí)施嵌入式AI遠遠不止是單純采用微控制器。為了加快設計，許多硅芯片制造商都構建了開(kāi)發(fā)和評估平臺，例如EV-COG-AD4050LZ。這些平臺將微控制器與傳感器和HF收發(fā)器等組件結合在一起，使工程師無(wú)需深度掌握多種技術(shù)，就能探索嵌入式AI。這些平臺可擴展，使得開(kāi)發(fā)人員能夠使用不同的傳感器和其他組件。例如，通過(guò)使用EV-GEAR-MEMS1Z擴展板，工程師能夠快速評估不同的MEMS技術(shù)，例如，該擴展板中使用的ADXL35x系列（包括ADXL355）提供出色的振動(dòng)校正、長(cháng)期可重復性和低噪聲性能，并且尺寸很小。
平臺和擴展板（例如EV-COG-AD4050LZ和EV-GEAR-MEMS1Z）的組合讓工程師能夠基于振動(dòng)、噪聲和溫度分析來(lái)了解結構健康狀況，以及實(shí)施機器狀態(tài)監控。其他傳感器也可根據需要連接到平臺，以便所使用的AI方法可以通過(guò)所謂的多傳感器數據融合來(lái)更好地估計當前的情況。這樣，即可使用更好的粒度和更高的概率，對各種運行狀態(tài)和故障情況進(jìn)行分類(lèi)。通過(guò)平臺上的智能信號處理，大數據在本地就變成智能數據，使得只有與應用案例相關(guān)的數據才會(huì )發(fā)送至邊緣或云端。
平臺方法還可以簡(jiǎn)化通信，因為擴展板可用于實(shí)施不同的無(wú)線(xiàn)通信。例如，EV-COG-SMARTMESH1Z具有高可靠性、魯棒性和極低功耗特性，支持適合大量工業(yè)應用的6LoWPAN和802.15.4e通信協(xié)議。SmartMesh IP網(wǎng)絡(luò )由負責采集和中繼數據的無(wú)線(xiàn)節點(diǎn)的高度可擴展、自成型多跳Mesh網(wǎng)絡(luò )組成。網(wǎng)絡(luò )管理器監視和管理網(wǎng)絡(luò )性能及安全性，并與主機應用程序交換數據。
特別是對于電池供電的無(wú)線(xiàn)狀態(tài)監控系統，嵌入式AI可實(shí)現完整附加值。通過(guò)ADuCM4050中嵌入的AI算法將傳感器數據在本地轉換為智能數據，與直接將傳感器數據傳輸到邊緣或云端相比，數據流更低，因此功耗也更低。
應用
AI算法開(kāi)發(fā)平臺（包括為其開(kāi)發(fā)的AI算法）廣泛應用于機器、系統、結構和過(guò)程控制領(lǐng)域，從簡(jiǎn)單的異常檢測擴展到復雜的故障診斷。通過(guò)集成的加速度計、麥克風(fēng)和溫度傳感器，可以實(shí)現多種功能，例如監測來(lái)自各種工業(yè)機器和系統的振動(dòng)和噪音。嵌入式AI可用于檢測過(guò)程狀態(tài)、軸承或定子的損壞、控制電子設備的故障，甚至是因電子設備損壞而導致的未知系統行為變化。如果預測模型適用于特定的損壞，甚至可以在本地預測這些損壞。通過(guò)這種方法，可以在早期階段采取維護措施，從而避免不必要的基于損壞的故障。如果不存在預測模型，平臺還可以幫助學(xué)科問(wèn)題專(zhuān)家不斷了解機器的行為，并隨著(zhù)時(shí)間的推移，得出一個(gè)全面的機器模型用于預測維護。
理想情況下，通過(guò)相應的本地數據分析，嵌入式AI算法應該能夠確定哪些傳感器與各自的應用相關(guān)，以及哪種算法最適合它。這意味著(zhù)平臺具有智能可擴展性。目前，學(xué)術(shù)專(zhuān)家仍然必須為各自的應用找到理想算法，盡管只需對各種機器狀態(tài)監控應用進(jìn)行很少的實(shí)施工作，即可擴展AI算法。
嵌入式AI還應對數據的質(zhì)量作出決定，如果數據質(zhì)量不佳，就為傳感器和整個(gè)信號處理找到并進(jìn)行相應設置。如果采用多種不同的傳感器模式進(jìn)行融合，則使用AI算法可彌補某些傳感器和方法的不足。通過(guò)這種方式，可提高數據質(zhì)量和系統可靠性。如果傳感器被AI算法劃分為與應用不太相關(guān)，將相應地控制其數據流。
ADI的開(kāi)放式COG平臺包含可免費使用的軟件開(kāi)發(fā)套件以及許多硬件和軟件示例項目，用于加速原型創(chuàng )建、促進(jìn)開(kāi)發(fā)并實(shí)現最初的想法。通過(guò)多傳感器數據融合(EV-GEAR-MEMS1Z)和嵌入式AI (EV-COG-AD4050LZ)，可創(chuàng )建穩健可靠的無(wú)線(xiàn)智能傳感器Mesh網(wǎng)絡(luò )(SMARTMESH1Z)。
Dzianis Lukashevich是ADI公司的平臺和解決方案總監。他主要關(guān)注大趨勢、新興技術(shù)、完整解決方案，以及塑造行業(yè)未來(lái)，并在廣闊的市場(chǎng)中變革ADI業(yè)務(wù)的新商業(yè)模式。Dzianis Lukashevich于2012年加入德國慕尼黑的ADI銷(xiāo)售與營(yíng)銷(xiāo)部。他在2005年獲得慕尼黑工業(yè)大學(xué)電氣工程博士學(xué)位，2016年獲得華威商學(xué)院工商管理碩士學(xué)位。聯(lián)系方式：dzianis.lukashevich@analog.com。
Felix Sawo于2005年獲得德國伊梅諾科技大學(xué)機械電子理學(xué)碩士學(xué)位，2009年獲得卡爾斯魯厄理工學(xué)院計算機科學(xué)博士學(xué)位。畢業(yè)之后，他在弗勞恩霍夫協(xié)會(huì )光電、系統技術(shù)和圖像處理研究所(IOSB)擔任科學(xué)家，開(kāi)發(fā)機器診斷算法和系統。自2011年起，他一直擔任Knowtion的首席執行官，專(zhuān)注于傳感器融合和自動(dòng)數據分析的算法開(kāi)發(fā)。聯(lián)系方式：felix.sawo@knowtion.de。
推薦閱讀：
