【導讀】傳感器被越來(lái)越多地應用于我們的日常生活中，以幫助收集各種應用中有意義的數據，例如建筑暖通空調系統、工業(yè)自動(dòng)化、醫療保健、門(mén)禁控制和安全系統等。傳感器融合網(wǎng)絡(luò )有助于從多個(gè)傳感器獲取數據，以提供設備周?chē)h(huán)境更全面的感知。換句話(huà)說(shuō)，傳感器融合結合多個(gè)物理傳感器的數據，即使單獨的傳感器本身不可靠，融合后的結果會(huì )更加準確，有助于減少感知過(guò)程中的不確定性。
為了進(jìn)一步提高智能化和可靠性，使用深度學(xué)習進(jìn)行傳感器融合，在工業(yè)和消費領(lǐng)域正變得越來(lái)越重要。
從數據科學(xué)的角度來(lái)看，這種模式通過(guò)采用智能監測和傳感器融合策略，以及運用優(yōu)化的機器學(xué)習，從傳感器數據中中獲取相關(guān)知識。主要目標之一是有效預測工業(yè)運行環(huán)境中的異常行為，以避免重大事故帶來(lái)的損害。
瑞薩電子提供智能端點(diǎn)傳感設備和集成了豐富模擬外設的微控制器。這些微控制器作為傳感設備的核心，為不同應用提供更精確的傳感器融合方案。常用的方式是：
冗余傳感器：提供相同的信息類(lèi)型。
互補傳感器：提供獨立（不相干）的信息類(lèi)型。
協(xié)同傳感器：順序收集外部的信息。
傳感器網(wǎng)絡(luò )中的通信是整個(gè)方案的核心，有以下幾種選擇：
分散式：傳感器節點(diǎn)之間沒(méi)有通信。
集中式：所有傳感器把測量值提供給中央節點(diǎn)。
分布式：節點(diǎn)之間按照一定的頻率交換信息（例如，每采集五次就交換一次數據）。
集中式方案也可以被看作是分布式方案的一個(gè)特例。傳感器的每一次采集都會(huì )發(fā)送給融合節點(diǎn)，如下圖示。
深度學(xué)習
一個(gè)有效的傳感器融合方案，先決條件是精確校準和同步傳感器。瑞薩提供了一系列解決方案，使用集中式方案，在端點(diǎn)設備上運行先進(jìn)的傳感器融合算法，實(shí)現決策推斷。
晚期融合可以實(shí)現互操作，而早期融合可以為人工智能提供豐富的數據做預測。我們借用不同策略的長(cháng)處?，F代方法通常會(huì )對設備上的傳感器，在時(shí)間和空間上做融合，然后將融合后的數據輸入神經(jīng)網(wǎng)絡(luò )執行預測。這些數據用于A(yíng)I訓練或實(shí)時(shí)算法的軟件閉環(huán)（SIL）測試。由于前期的數據融合，在此階段這些算法只需要接收有限的信息量。
深度學(xué)習使用神經(jīng)網(wǎng)絡(luò )來(lái)實(shí)現先進(jìn)的機器學(xué)習，可以利用高性能計算平臺，如瑞薩的RA MCU和RZ MPU來(lái)做訓練和執行。深度神經(jīng)網(wǎng)絡(luò )由若干處理層組成，這些處理層從傳感器融合中學(xué)習，對數據進(jìn)行不同程度的抽象化。深度神經(jīng)網(wǎng)絡(luò )的層數越多，學(xué)到的表征就越抽象。
深度學(xué)習提供了一種表征學(xué)習的形式，通過(guò)使用簡(jiǎn)單的表征來(lái)表示數據。深度學(xué)習技術(shù)可以使用幾個(gè)層的組合來(lái)理解特征，每個(gè)層都有獨特的數學(xué)轉換，以產(chǎn)生抽象的表征，更好地區分數據中的高級特征，以加強對真實(shí)形式的分離和理解。
多流神經(jīng)網(wǎng)絡(luò )的優(yōu)勢在于從多模態(tài)數據中生成有效的預測，其中每個(gè)流對網(wǎng)絡(luò )產(chǎn)生整體聯(lián)合推斷都很重要。多流方法已在多模態(tài)數據融合方面取得成功，深度神經(jīng)網(wǎng)絡(luò )已被成功應用于多個(gè)應用中，如機器翻譯和時(shí)序數據融合。
允許深度神經(jīng)網(wǎng)絡(luò )在基于MCU的端點(diǎn)應用上進(jìn)行訓練和部署，是一個(gè)巨大的突破，有助于加快行業(yè)應用。瑞薩的RA MCU平臺和相關(guān)的靈活軟件包與人工智能建模工具相結合，提供了多層結構化神經(jīng)網(wǎng)絡(luò )應用能力。通常，更多的層能讓網(wǎng)絡(luò )學(xué)到更多的抽象特征。在異質(zhì)混合中堆疊多種類(lèi)型的層，可以勝過(guò)同質(zhì)混合的層。瑞薩的傳感解決方案可以通過(guò)多個(gè)傳感器的反饋來(lái)彌補系統在處理相關(guān)類(lèi)型的信息時(shí)單個(gè)傳感器的不足。
靈活的瑞薩高級（RA）微控制器（MCU）是業(yè)界領(lǐng)先的32位MCU，是構建智能傳感器的絕佳選擇。由于RA系列的MCU種類(lèi)繁多，您可以根據您的應用需求選擇最佳產(chǎn)品。RA MCU平臺與強大的支持和軟件生態(tài)系統相結合，將有助于加快傳感器融合和深度學(xué)習模塊的工業(yè)4.0應用開(kāi)發(fā)。
作為瑞薩廣泛的解決方案和設計支持的一部分，瑞薩為多功能人工智能物聯(lián)網(wǎng)（AIoT）傳感器解決方案提供了參考設計。它針對工業(yè)預測維護、支持手勢識別的智能家居/物聯(lián)網(wǎng)設備、可穿戴設備（主動(dòng)跟蹤）以及創(chuàng )新性的人機界面或（HMI）（手指感知）等移動(dòng)應用提供了解決方案。作為該解決方案的一部分，瑞薩可以提供豐富的硬件，包括物聯(lián)網(wǎng)專(zhuān)用RA微控制器、空氣質(zhì)量傳感器、光傳感器、溫度和濕度傳感器、6軸加速度傳感器以及蜂窩、藍牙通信芯片等。
隨著(zhù)工業(yè)4.0系統中傳感器數量的不斷增加，對傳感器融合的需求也在不斷增長(cháng)，以理解這些傳感器產(chǎn)生的海量數據。市面上也出現越來(lái)越多集成傳感器融合的設備。例如，融合了振動(dòng)、聲音、溫度和磁場(chǎng)傳感器數據的智能狀態(tài)監測盒可用于機器狀態(tài)監測。還可以選配用于監測加速度、角速度、沖擊和振動(dòng)的其他傳感器配件。
該系統通過(guò)人工智能算法實(shí)現傳感器融合，以更好地對異常運行狀況進(jìn)行分類(lèi)，從而產(chǎn)生更準確的推斷決策。這種邊緣人工智能架構簡(jiǎn)化了對傳感器融合所產(chǎn)生的大數據的處理，確保只有最相關(guān)的數據被發(fā)送到邊緣人工智能處理器或云端，以便進(jìn)一步分析并可能用于訓練ML算法。
使用基于A(yíng)I的深度學(xué)習有幾個(gè)好處
● AI算法可以采用傳感器融合，利用多個(gè)傳感器的數據來(lái)彌補單個(gè)傳感器數據的不足。
● AI算法可以先根據傳感器數據的相關(guān)性對傳感器分類(lèi)，再把數據送給與之對應的任務(wù)。
● 通過(guò)在邊緣設備或云上的持續訓練，AI/ML算法可以讓設備通過(guò)不斷學(xué)習來(lái)識別以前未識別的系統行為變化。
● AI算法可以預測可能的故障源，實(shí)現預測性維護，提高生產(chǎn)效率。
傳感器融合與人工智能深度學(xué)習相結合，可以發(fā)揮傳感器數據的最大作用?；贏(yíng)I/ML的增強型傳感器融合可用于系統的多個(gè)層級，包括數據層、融合層和決策層。傳感器融合的基本功能包括實(shí)現數據的平滑和過(guò)濾以及預測傳感器和系統狀態(tài)。
瑞薩電子邀請您使用我們的高性能MCU和A&P產(chǎn)品組合。結合完整的軟件平臺，它能為您提供有針對性的深度學(xué)習模型和工具，用以構建下一代傳感器融合解決方案。
來(lái)源：瑞薩電子，作者：Suad Jusuf
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問(wèn)題，請聯(lián)系小編進(jìn)行處理。
推薦閱讀：
帶過(guò)流保護的低側柵極驅動(dòng)器PCB布局技巧
