2020年5月12日 Dzianis Lukashevich、Felix Sawo

工業(yè)4.0應(yīng)用產(chǎn)生大量的復(fù)雜數(shù)據(jù)——大數(shù)據(jù)。傳感器和可用數(shù)據(jù)源越來越多，通常要求機(jī)器、系統(tǒng)和流程的虛擬視圖更詳細(xì)。這自然會增加在整個價值鏈上產(chǎn)生附加值的潛力。但與此同時，有關(guān)如何挖掘這種價值的問題不斷出現(xiàn)。畢竟，用于數(shù)據(jù)處理的系統(tǒng)和架構(gòu)變得越來越復(fù)雜。只有使用相關(guān)、優(yōu)質(zhì)且有用的數(shù)據(jù)，也就是智能數(shù)據(jù)，才能挖掘出相關(guān)的經(jīng)濟(jì)潛力。

挑戰(zhàn)

收集所有可能的數(shù)據(jù)并將其存儲在云中，希望以后對其進(jìn)行評估、分析和構(gòu)建使用，這仍然是一種廣泛采用的挖掘數(shù)據(jù)價值方法，但不是特別有效。從數(shù)據(jù)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變得更加復(fù)雜。更好的替代方法是盡早考慮確定哪些信息與應(yīng)用相關(guān)，以及可以在數(shù)據(jù)流的哪個位置提取信息?？梢杂眉?xì)化數(shù)據(jù)來打比方，即從整個處理鏈的大數(shù)據(jù)中提取出智能數(shù)據(jù)?？稍趹?yīng)用層決定哪些AI算法對于單個處理步驟的成功概率較高。這個決定取決于邊界條件，如可用數(shù)據(jù)、應(yīng)用類型、可用傳感器模型和有關(guān)物理層處理的背景信息。

（圖片來源：ADI公司）

對于單獨立的理步驟，正確處理和解讀數(shù)據(jù)對于從傳感器信號生成真正的附加值非常重要。根據(jù)應(yīng)用的不同，正確解讀分立傳感器數(shù)據(jù)并提取所需的信息可能很困難。時間行為通常會發(fā)揮作用，并直接影響所需的信息。此外，還必須經(jīng)?？紤]多個傳感器之間的依賴關(guān)系。對于復(fù)雜的任務(wù)，簡單的閾值和手工確定的邏輯已不足以應(yīng)對。

AI算法

相比之下，通過AI算法進(jìn)行數(shù)據(jù)處理可以自動分析復(fù)雜的傳感器數(shù)據(jù)。通過這種分析，可從數(shù)據(jù)處理鏈中的數(shù)據(jù)自動獲得所需的信息，從而獲得附加值。

對于始終屬于AI算法一部分的模型構(gòu)建，基本上有兩種不同的方法。

一種方法是通過公式、傳感器數(shù)據(jù)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(shù)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(shù)據(jù)與此背景信息相結(jié)合，針對所需信息產(chǎn)生更精確的結(jié)果。這里最廣為人知的示例是卡爾曼濾波器。

如果有數(shù)據(jù)，而沒有可使用數(shù)學(xué)方程形式描述的背景信息，那么必須選擇所謂的數(shù)據(jù)驅(qū)動方法。這些算法直接從該數(shù)據(jù)中提取所需的信息。它們包含所有的機(jī)器學(xué)習(xí)方法，包括線性回歸、神經(jīng)網(wǎng)絡(luò)、隨機(jī)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(yīng)用的現(xiàn)有知識。如果有廣泛的專業(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。如果沒有專業(yè)知識，所使用的AI算法可能要復(fù)雜得多。在很多情況下，由應(yīng)用定義硬件，從而限制AI算法。

嵌入式、邊緣或云實現(xiàn)

包含每單個步驟所需的所有算法的整體數(shù)據(jù)處理鏈必須以能夠盡可能生成附加值的方式實現(xiàn)。通常在總體層級實現(xiàn)——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(jī)，再到大型云計算機(jī)。很明顯，這些算法不應(yīng)只在一個層級上實現(xiàn)。而盡可能接近傳感器實現(xiàn)算法通常會更有利。通過這種方式，可以在早期階段對數(shù)據(jù)進(jìn)行壓縮和細(xì)化，并降低通信和存儲成本。此外，通過早期從數(shù)據(jù)中提取基本信息，在更高層級開發(fā)全局算法就沒那么復(fù)雜。在大多數(shù)情況下，流分析區(qū)域中的算法也有助于避免不必要的數(shù)據(jù)存儲，由此降低數(shù)據(jù)傳輸和存儲成本。這些算法只使用每個數(shù)據(jù)點一次；也就是說，直接提取完整信息，且無需存儲數(shù)據(jù)。

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(shù)字外設(shè)，用于數(shù)據(jù)采集、處理、控制和連接。處理器還需要能夠?qū)崟r捕獲和處理本地數(shù)據(jù)，以及擁有執(zhí)行先進(jìn)的智能AI算法的計算資源。例如，ADI的ADuCM4050基于ARM Cortex-M4F架構(gòu)，提供集成且節(jié)能的方法來嵌入AI。

實施嵌入式AI遠(yuǎn)遠(yuǎn)不止是單純采用微控制器。為了加快設(shè)計，許多硅芯片制造商都構(gòu)建了開發(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(jié)合在一起，使工程師無需深度掌握多種技術(shù)，就能探索嵌入式AI。這些平臺可擴(kuò)展，使得開發(fā)人員能夠使用不同的傳感器和其他組件。例如，通過使用EV-GEAR-MEMS1Z擴(kuò)展板，工程師能夠快速評估不同的MEMS技術(shù)，例如，該擴(kuò)展板中使用的ADXL35x系列（包括ADXL355）提供出色的振動校正、長期可重復(fù)性和低噪聲性能，并且尺寸很小。

平臺和擴(kuò)展板（例如EV-COG-AD4050LZ和EV-GEAR-MEMS1Z）的組合讓工程師能夠基于振動、噪聲和溫度分析來了解結(jié)構(gòu)健康狀況，以及實施機(jī)器狀態(tài)監(jiān)控。其他傳感器也可根據(jù)需要連接到平臺，以便所使用的AI方法可以通過所謂的多傳感器數(shù)據(jù)融合來更好地估計當(dāng)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。通過平臺上的智能信號處理，大數(shù)據(jù)在本地就變成智能數(shù)據(jù)，使得只有與應(yīng)用案例相關(guān)的數(shù)據(jù)才會發(fā)送至邊緣或云端。

平臺方法還可以簡化通信，因為擴(kuò)展板可用于實施不同的無線通信。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(yīng)用的6LoWPAN和802.15.4e通信協(xié)議。SmartMesh IP網(wǎng)絡(luò)由負(fù)責(zé)采集和中繼數(shù)據(jù)的無線節(jié)點的高度可擴(kuò)展、自成型多跳Mesh網(wǎng)絡(luò)組成。網(wǎng)絡(luò)管理器監(jiān)視和管理網(wǎng)絡(luò)性能及安全性，并與主機(jī)應(yīng)用程序交換數(shù)據(jù)。

特別是對于電池供電的無線狀態(tài)監(jiān)控系統(tǒng)，嵌入式AI可實現(xiàn)完整附加值。通過ADuCM4050中嵌入的AI算法將傳感器數(shù)據(jù)在本地轉(zhuǎn)換為智能數(shù)據(jù)，與直接將傳感器數(shù)據(jù)傳輸?shù)竭吘壔蛟贫讼啾?，?shù)據(jù)流更低，因此功耗也更低。

應(yīng)用

AI算法開發(fā)平臺（包括為其開發(fā)的AI算法）廣泛應(yīng)用于機(jī)器、系統(tǒng)、結(jié)構(gòu)和過程控制領(lǐng)域，從簡單的異常檢測擴(kuò)展到復(fù)雜的故障診斷。通過集成的加速度計、麥克風(fēng)和溫度傳感器，可以實現(xiàn)多種功能，例如監(jiān)測來自各種工業(yè)機(jī)器和系統(tǒng)的振動和噪音。嵌入式AI可用于檢測過程狀態(tài)、軸承或定子的損壞、控制電子設(shè)備的故障，甚至是因電子設(shè)備損壞而導(dǎo)致的未知系統(tǒng)行為變化。如果預(yù)測模型適用于特定的損壞，甚至可以在本地預(yù)測這些損壞。通過這種方法，可以在早期階段采取維護(hù)措施，從而避免不必要的基于損壞的故障。如果不存在預(yù)測模型，平臺還可以幫助學(xué)科問題專家不斷了解機(jī)器的行為，并隨著時間的推移，得出一個全面的機(jī)器模型用于預(yù)測維護(hù)。

理想情況下，通過相應(yīng)的本地數(shù)據(jù)分析，嵌入式AI算法應(yīng)該能夠確定哪些傳感器與各自的應(yīng)用相關(guān)，以及哪種算法最適合它。這意味著平臺具有智能可擴(kuò)展性。目前，學(xué)術(shù)專家仍然必須為各自的應(yīng)用找到理想算法，盡管只需對各種機(jī)器狀態(tài)監(jiān)控應(yīng)用進(jìn)行很少的實施工作，即可擴(kuò)展AI算法。

嵌入式AI還應(yīng)對數(shù)據(jù)的質(zhì)量作出決定，如果數(shù)據(jù)質(zhì)量不佳，就為傳感器和整個信號處理找到并進(jìn)行相應(yīng)設(shè)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(bǔ)某些傳感器和方法的不足。通過這種方式，可提高數(shù)據(jù)質(zhì)量和系統(tǒng)可靠性。如果傳感器被AI算法劃分為與應(yīng)用不太相關(guān)，將相應(yīng)地控制其數(shù)據(jù)流。

ADI的開放式COG平臺包含可免費使用的軟件開發(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)開發(fā)并實現(xiàn)最初的想法。通過多傳感器數(shù)據(jù)融合（EV-GEAR-MEMS1Z）和嵌入式AI （EV-COG-AD4050LZ），可創(chuàng)建穩(wěn)健可靠的無線智能傳感器Mesh網(wǎng)絡(luò)（SMARTMESH1Z）。

Dzianis Lukashevich是ADI公司的平臺和解決方案總監(jiān)。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，并在廣闊的市場中變革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銷售與營銷部。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。

Felix Sawo于2005年獲得德國伊梅諾科技大學(xué)機(jī)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(jī)科學(xué)博士學(xué)位。畢業(yè)之后，他在弗勞恩霍夫協(xié)會光電、系統(tǒng)技術(shù)和圖像處理研究所（IOSB）擔(dān)任科學(xué)家，開發(fā)機(jī)器診斷算法和系統(tǒng)。自2011年起，他一直擔(dān)任Knowtion的首席執(zhí)行官，專注于傳感器融合和自動數(shù)據(jù)分析的算法開發(fā)。