【導(dǎo)讀】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(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(chǔ)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(jià)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(huì)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(gè)位置提取信息??梢杂眉?xì)化數(shù)據(jù)來打比方,即從整個(gè)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(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(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)
對于獨(dú)立的處理步驟,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(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(dòng)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(dòng)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(dòng)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(shí)現(xiàn)
包含每單個(gè)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(shí)現(xiàn)。通常在總體層級實(shí)現(xiàn)——從具有有限計(jì)算資源的小型傳感器,到網(wǎng)關(guān)和邊緣計(jì)算機(jī),再到大型云計(jì)算機(jī)。很明顯,這些算法不應(yīng)只在一個(gè)層級上實(shí)現(xiàn)。而盡可能接近傳感器實(shí)現(xiàn)算法通常會(huì)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(chǔ)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(chǔ),由此降低數(shù)據(jù)傳輸和存儲(chǔ)成本。這些算法只使用每個(gè)數(shù)據(jù)點(diǎn)一次;也就是說,直接提取完整信息,且無需存儲(chǔ)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(shí)捕獲和處理本地?cái)?shù)據(jù),以及擁有執(zhí)行先進(jìn)的智能AI算法的計(jì)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(shí)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(jì),許多硅芯片制造商都構(gòu)建了開發(fā)和評估平臺(tái),例如EV-COG-AD4050LZ。這些平臺(tái)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(tái)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(dòng)校正、長期可重復(fù)性和低噪聲性能,并且尺寸很小。
平臺(tái)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(dòng)、噪聲和溫度分析來了解結(jié)構(gòu)健康狀況,以及實(shí)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(tái),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(jì)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(yùn)行狀態(tài)和故障情況進(jìn)行分類。通過平臺(tái)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(huì)發(fā)送至邊緣或云端。
平臺(tái)方法還可以簡化通信,因?yàn)閿U(kuò)展板可用于實(shí)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(diǎn)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(shí)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)竭吘壔蛟贫讼啾龋瑪?shù)據(jù)流更低,因此功耗也更低。
應(yīng)用
AI算法開發(fā)平臺(tái)(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(jì)、麥克風(fēng)和溫度傳感器,可以實(shí)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(dòng)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(tái)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(shí)間的推移,得出一個(gè)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?cái)?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(tái)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(shí)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(gè)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(tái)包含可免費(fèi)使用的軟件開發(fā)套件以及許多硬件和軟件示例項(xiàng)目,用于加速原型創(chuàng)建、促進(jìn)開發(fā)并實(shí)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(tái)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。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(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(jì)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(huì)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(dòng)數(shù)據(jù)分析的算法開發(fā)。聯(lián)系方式:felix.sawo@knowtion.de。
推薦閱讀: