工業(yè) 4.0 應(yīng)用程序生成大量復(fù)雜數(shù)據(jù)——大數(shù)據(jù)。越來越多的傳感器以及通常可用的數(shù)據(jù)源要求機(jī)器、系統(tǒng)和流程的虛擬視圖更加詳細(xì)。這自然會(huì)增加在整個(gè)價(jià)值鏈中產(chǎn)生附加值的潛力。然而，與此同時(shí)，如何準(zhǔn)確挖掘這種潛力的問題不斷出現(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，傳感器和執(zhí)行器的數(shù)量也在不斷增加。只有擁有相關(guān)、高質(zhì)量和有用的數(shù)據(jù)——智能數(shù)據(jù)——才能發(fā)揮相關(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，以期稍后對(duì)其進(jìn)行評(píng)估、分析和結(jié)構(gòu)化仍然是一種廣泛使用但不是特別有效的方法。從數(shù)據(jù)中產(chǎn)生附加價(jià)值的潛力仍未得到利用；稍后尋找解決方案變得更加復(fù)雜和昂貴。更好的選擇是盡早進(jìn)行概念性考慮，以確定哪些信息與應(yīng)用程序相關(guān)，以及可以在數(shù)據(jù)流中的何處提取信息。形象地說，這意味著對(duì)數(shù)據(jù)進(jìn)行提煉——例如，將大數(shù)據(jù)中的智能數(shù)據(jù)用于整個(gè)處理鏈。在應(yīng)用程序級(jí)別，已經(jīng)可以決定哪些 AI 算法在各個(gè)處理步驟中具有很高的成功概率。

對(duì)于各個(gè)處理步驟，正確處理和解釋數(shù)據(jù)對(duì)于從傳感器信號(hào)產(chǎn)生真正的附加值非常重要。根據(jù)應(yīng)用的不同，可能難以正確解釋離散傳感器數(shù)據(jù)并提取所需信息。通常，時(shí)間行為會(huì)發(fā)揮作用，并對(duì)所需信息產(chǎn)生直接影響。此外，必須經(jīng)常考慮多個(gè)傳感器之間的依賴關(guān)系。對(duì)于復(fù)雜的任務(wù)，簡單的閾值和手動(dòng)確定的邏輯不再足夠或不允許自動(dòng)適應(yīng)不斷變化的環(huán)境條件。

嵌入式、邊緣或云 AI 實(shí)施？

具有每個(gè)單獨(dú)步驟所需的所有算法的整個(gè)數(shù)據(jù)處理鏈必須以能夠產(chǎn)生最高可能附加值的方式實(shí)施。實(shí)施通常發(fā)生在各個(gè)層面——從計(jì)算資源有限的小型傳感器到網(wǎng)關(guān)和邊緣計(jì)算機(jī)，再到大型云計(jì)算機(jī)。這里很清楚，算法不應(yīng)該只在一個(gè)層次上實(shí)現(xiàn)。相反，在大多數(shù)情況下，盡可能靠近傳感器實(shí)現(xiàn)算法更為有利。通過這種方式，可以在早期對(duì)數(shù)據(jù)進(jìn)行壓縮和提煉，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，更高層次的全局算法的開發(fā)變得不那么復(fù)雜。在大多數(shù)情況下，流分析領(lǐng)域的算法也有助于避免不必要的數(shù)據(jù)存儲(chǔ)，從而避免高昂的數(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；例如，直接提取完整信息，無需存儲(chǔ)數(shù)據(jù)。

用于狀態(tài)監(jiān)測的嵌入式平臺(tái)

人工智能技術(shù)作為一個(gè)整體正在迅速發(fā)展。許多公司正在開發(fā)將大數(shù)據(jù)轉(zhuǎn)化為智能數(shù)據(jù)的 IP，并將其算法和設(shè)計(jì)以平臺(tái)的形式提供給一般市場。這些平臺(tái)匯集了硬件、軟件和工具，使 OEM 能夠?qū)嵤┖筒渴?AI，而無需自己開發(fā)底層 AI 基礎(chǔ)設(shè)施。

例如，考慮 Shiratech Solutions、Arrow 和 Analog Devices 的基于 ARM? Cortex?-M4F 處理器的開放嵌入式平臺(tái) iCOMOX。iCOMOX 是一種節(jié)能的集成微控制器系統(tǒng)，具有集成電源管理、模擬和數(shù)字傳感器以及用于數(shù)據(jù)采集、處理、控制和連接的外圍設(shè)備。該平臺(tái)非常適合本地?cái)?shù)據(jù)處理和使用最先進(jìn)的智能 AI 算法對(duì)數(shù)據(jù)進(jìn)行早期細(xì)化。

iCOMOX 代表智能狀態(tài)監(jiān)測箱，可用于進(jìn)入基于振動(dòng)、磁場、聲音和溫度分析的結(jié)構(gòu)健康和機(jī)器狀態(tài)監(jiān)測的世界。根據(jù)要求，該平臺(tái)可以補(bǔ)充額外的傳感器模式——例如，ADI 公司的陀螺儀，用于精確測量轉(zhuǎn)速，即使在高沖擊和振動(dòng)負(fù)載的環(huán)境中也是如此（參見圖 2）。

在嵌入式 AI 平臺(tái)中實(shí)施的 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)前情況。通過這種方式，可以對(duì)各種運(yùn)行和故障情況進(jìn)行更細(xì)粒度和更高概率的分類。通過更靠近邊緣的智能信號(hào)處理，大數(shù)據(jù)成為智能數(shù)據(jù)，只需將與應(yīng)用案例相關(guān)的數(shù)據(jù)發(fā)送到邊緣或云端。

圖 2. iCOMOX 開放平臺(tái)的框圖。

對(duì)于無線通信，iCOMOX 提供了一種具有高可靠性和魯棒性以及極低功耗的解決方案。SmartMesh IP 網(wǎng)絡(luò)由收集和中繼數(shù)據(jù)的無線節(jié)點(diǎn)的高度可擴(kuò)展、自我形成/優(yōu)化的多跳網(wǎng)狀網(wǎng)絡(luò)組成。網(wǎng)絡(luò)管理器監(jiān)視和管理網(wǎng)絡(luò)性能和安全性，并與主機(jī)應(yīng)用程序交換數(shù)據(jù)。SmartMesh IP 網(wǎng)絡(luò)的智能路由根據(jù)連接質(zhì)量、每個(gè)數(shù)據(jù)包事務(wù)的調(diào)度以及通信鏈路中的多跳數(shù)確定每個(gè)單獨(dú)數(shù)據(jù)包的最佳路徑。

特別是對(duì)于無線、電池供電的狀態(tài)監(jiān)測系統(tǒng)，嵌入式人工智能可以幫助提取全部附加值。通過 AI 算法將傳感器數(shù)據(jù)本地轉(zhuǎn)換為智能數(shù)據(jù)，與將原始傳感器數(shù)據(jù)直接傳輸?shù)竭吘壔蛟贫说那闆r相比，數(shù)據(jù)流更低，因此功耗更低。

應(yīng)用范圍

嵌入式人工智能在監(jiān)控機(jī)器、系統(tǒng)、結(jié)構(gòu)和流程領(lǐng)域有著廣泛的應(yīng)用——從異常檢測擴(kuò)展到復(fù)雜的故障診斷和立即啟動(dòng)故障消除。例如，通過 iCOMOX 等平臺(tái)支持的集成麥克風(fēng)和加速度計(jì)、磁場傳感器和溫度傳感器，監(jiān)測各種工業(yè)機(jī)器和系統(tǒng)中的振動(dòng)和噪音以及其他操作條件。過程狀態(tài)、軸承或轉(zhuǎn)子和定子損壞、控制電子設(shè)備故障等，甚至系統(tǒng)行為的未知變化，例如由于電子設(shè)備損壞，都可以通過 AI 檢測到。如果行為模型可用于某些損害，甚至可以預(yù)測這些損害。通過這個(gè)，可以及早采取維護(hù)措施，從而避免不必要的損壞故障。如果不存在預(yù)測模型，嵌入式平臺(tái)還可以幫助主題專家逐步了解機(jī)器的行為，并隨著時(shí)間的推移推導(dǎo)出機(jī)器的綜合模型以進(jìn)行預(yù)測性維護(hù)。此外，可以使用一個(gè)平臺(tái)來優(yōu)化復(fù)雜的制造過程，以實(shí)現(xiàn)更高的產(chǎn)量或更好的產(chǎn)品質(zhì)量。

用于智能傳感器的嵌入式 AI 算法

通過人工智能算法進(jìn)行數(shù)據(jù)處理，甚至可以對(duì)復(fù)雜的傳感器數(shù)據(jù)進(jìn)行自動(dòng)分析。通過這種方式，所需的信息和附加價(jià)值會(huì)自動(dòng)從數(shù)據(jù)處理鏈中的數(shù)據(jù)中獲得。算法的選擇通常取決于有關(guān)應(yīng)用程序的現(xiàn)有知識(shí)。如果有廣泛的領(lǐng)域知識(shí)可用，AI 將扮演更多的輔助角色，并且使用的算法非常初級(jí)。如果不存在專業(yè)知識(shí)，算法可能會(huì)復(fù)雜得多。在許多情況下，是應(yīng)用程序定義了硬件，并由此定義了算法的限制。

對(duì)于始終作為 AI 算法一部分的模型構(gòu)建，基本上有兩種不同的方法：數(shù)據(jù)驅(qū)動(dòng)方法和基于模型的方法。

使用數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行異常檢測

如果只有數(shù)據(jù)，但沒有可用數(shù)學(xué)方程形式描述的背景信息，則必須選擇所謂的數(shù)據(jù)驅(qū)動(dòng)方法。這些算法直接從傳感器數(shù)據(jù)（大數(shù)據(jù)）中提取所需信息（智能數(shù)據(jù)）。它們涵蓋了所有機(jī)器學(xué)習(xí)方法，包括線性回歸、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和隱馬爾可夫模型。

可以在 iCOMOX 等嵌入式平臺(tái)上實(shí)現(xiàn)的數(shù)據(jù)驅(qū)動(dòng)方法的典型算法管道由三個(gè)組件組成（參見圖 3）：1）數(shù)據(jù)預(yù)處理，2）特征提取和降維，以及 3）實(shí)際機(jī)器學(xué)習(xí)算法。

圖 3. 嵌入式平臺(tái)的數(shù)據(jù)驅(qū)動(dòng)方法。

在數(shù)據(jù)預(yù)處理過程中，數(shù)據(jù)的處理方式使得下游算法，尤其是機(jī)器學(xué)習(xí)算法，在盡可能短的計(jì)算時(shí)間內(nèi)收斂到最優(yōu)解?？紤]到時(shí)間依賴性和不同傳感器數(shù)據(jù)之間的相互依賴性，因此必須使用簡單的插值方法替換丟失的數(shù)據(jù)。此外，通過預(yù)白化算法修改數(shù)據(jù)，使它們看起來是相互獨(dú)立的。因此，時(shí)間序列或傳感器之間不再存在線性依賴關(guān)系。主成分分析 （PCA）、獨(dú)立成分分析 （ICA） 和所謂的白化濾波器是預(yù)白化的典型算法。

在特征提取過程中，特征，也稱為特征，是從預(yù)處理數(shù)據(jù)中導(dǎo)出的。這部分處理鏈很大程度上取決于實(shí)際應(yīng)用。由于嵌入式平臺(tái)的計(jì)算能力有限，目前還不可能實(shí)現(xiàn)計(jì)算密集型、全自動(dòng)算法來評(píng)估各種特征并使用特定的優(yōu)化標(biāo)準(zhǔn)來找到最佳特征——其中將包括遺傳算法。相反，對(duì)于像 iCOMOX 這樣的低功耗嵌入式平臺(tái)，必須為每個(gè)單獨(dú)的應(yīng)用程序手動(dòng)指定用于提取特征的方法?？赡艿姆椒ò▽?shù)據(jù)轉(zhuǎn)換到頻域（快速傅里葉變換），對(duì)原始傳感器數(shù)據(jù)應(yīng)用對(duì)數(shù)，歸一化加速度計(jì)或陀螺儀數(shù)據(jù)，在 PCA 中找到最大的特征向量，或?qū)υ紓鞲衅鲾?shù)據(jù)執(zhí)行其他計(jì)算。也可以針對(duì)不同的傳感器選擇不同的特征提取算法。結(jié)果獲得了包含來自所有傳感器的所有相關(guān)特征的大特征向量。

如果這個(gè)向量的維數(shù)超過一定的大小，就必須通過降維算法進(jìn)行降維?？梢院唵蔚孬@取某個(gè)窗口內(nèi)的最小值和/或最大值，或者可以為此目的使用更復(fù)雜的算法，例如前面提到的 PCA 或自組織映射 （SOM）。

只有在對(duì)數(shù)據(jù)進(jìn)行完整的預(yù)處理并提取與各自應(yīng)用相關(guān)的特征之后，才能在嵌入式平臺(tái)上優(yōu)化使用機(jī)器學(xué)習(xí)算法來提取不同的信息。與特征提取的情況一樣，機(jī)器學(xué)習(xí)算法的選擇很大程度上取決于各自的具體應(yīng)用。由于計(jì)算能力有限，全自動(dòng)選擇最佳學(xué)習(xí)算法（例如通過遺傳算法）也是不可能的。然而，甚至更復(fù)雜的神經(jīng)網(wǎng)絡(luò)，包括訓(xùn)練階段，也可以在 iCOMOX 等嵌入式平臺(tái)上實(shí)現(xiàn)。這里的決定性因素是有限的可用內(nèi)存。因此，機(jī)器學(xué)習(xí)算法，以及整個(gè)算法管道中的所有前面提到的算法，必須以直接處理傳感器數(shù)據(jù)的方式進(jìn)行修改。每個(gè)數(shù)據(jù)點(diǎn)僅被算法使用一次；例如，直接提取所有相關(guān)信息，消除大量數(shù)據(jù)的內(nèi)存密集型收集以及相關(guān)的高數(shù)據(jù)傳輸和存儲(chǔ)成本。這種類型的處理也稱為流式分析。

前面提到的算法管道在 iCOMOX 上實(shí)施，并在兩種不同的應(yīng)用中評(píng)估異常檢測：交流電機(jī)的基于狀態(tài)的監(jiān)控和工業(yè)機(jī)器人中的軌跡監(jiān)控。兩種應(yīng)用的算法基本相同；只有參數(shù)化的不同之處在于所考慮的時(shí)間間隔對(duì)于電機(jī)監(jiān)控來說是短的，而對(duì)于軌跡監(jiān)控來說是長的。由于硬件的限制，剩余的算法參數(shù)也得到了不同的取值。采樣率為 1 kHz 的加速度計(jì)和陀螺儀數(shù)據(jù)分別用作輸入數(shù)據(jù)。對(duì)于電機(jī)狀態(tài)監(jiān)測，麥克風(fēng)數(shù)據(jù)也被用作輸入數(shù)據(jù)，以包括聲學(xué)特性，從而提高異常檢測精度。嵌入式平臺(tái)上的本地計(jì)算結(jié)果如圖 4 和圖 5 所示。在這兩個(gè)示例中，都給出了加速度計(jì)和陀螺儀數(shù)據(jù)、本地導(dǎo)出的特征以及本地計(jì)算的異常指標(biāo)。該指標(biāo)隨著新的信號(hào)行為而急劇增加，并且在再次出現(xiàn)時(shí)要低得多；也就是說，新檢測到的信號(hào)在模型中被學(xué)習(xí)算法考慮和更新。

圖 4. 嵌入式平臺(tái)上交流電機(jī)的振動(dòng)監(jiān)測。

圖 5. 嵌入式平臺(tái)上工業(yè)機(jī)器人的軌跡監(jiān)控。

使用基于模型的方法進(jìn)行動(dòng)態(tài)姿勢估計(jì)

另一種根本不同的方法是通過公式和傳感器數(shù)據(jù)與所需信息之間的明確關(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或系統(tǒng)行為。這些所謂的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，從而為所需信息產(chǎn)生更精確的結(jié)果。這里的一些最著名的例子是用于線性系統(tǒng)的卡爾曼濾波器 （KF） 和用于非線性系統(tǒng)的無跡卡爾曼濾波器 （UKF）、擴(kuò)展卡爾曼濾波器 （EKF） 和粒子濾波器 （PF）。過濾器的選擇很大程度上取決于各自的應(yīng)用。

可以在 iCOMOX 等嵌入式平臺(tái)上實(shí)現(xiàn)的基于模型的方法的典型算法管道由三個(gè)組件組成（參見圖 6）：1）異常值檢測，2）預(yù)測步驟和 3）過濾步驟。

圖 6. 基于模型的嵌入式平臺(tái)方法。

在異常值檢測期間，與系統(tǒng)狀況的實(shí)際估計(jì)相去甚遠(yuǎn)的傳感器數(shù)據(jù)要么被部分加權(quán)，要么在進(jìn)一步處理中被完全取出。通過這種方式，實(shí)現(xiàn)了更穩(wěn)健的數(shù)據(jù)處理。

在預(yù)測步驟中，當(dāng)前系統(tǒng)條件隨時(shí)間更新。這是在描述未來系統(tǒng)狀況預(yù)測的概率系統(tǒng)模型的幫助下完成的。這種概率系統(tǒng)模型通常來自確定性系統(tǒng)方程，該方程描述了未來系統(tǒng)條件對(duì)當(dāng)前系統(tǒng)條件以及其他輸入?yún)?shù)和干擾的依賴性。在這里考慮的工業(yè)機(jī)器人狀態(tài)監(jiān)測示例中，這將是單個(gè)關(guān)節(jié)臂的動(dòng)態(tài)方程，它只允許在任何時(shí)間點(diǎn)的特定運(yùn)動(dòng)方向。

在過濾步驟中，預(yù)測的系統(tǒng)條件然后用給定的測量值進(jìn)行處理，從而更新條件估計(jì)。有一個(gè)等效于系統(tǒng)方程的測量方程，它使系統(tǒng)條件和測量之間的關(guān)系可以用公式來描述。對(duì)于此處考慮的位置估計(jì)，這將是加速度計(jì)和陀螺儀數(shù)據(jù)與傳感器在空間中的精確位置之間的關(guān)系。

數(shù)據(jù)驅(qū)動(dòng)和基于模型的方法的結(jié)合對(duì)于某些應(yīng)用來說是可以想象和有利的。例如，基于模型的方法的基礎(chǔ)模型的參數(shù)可以通過數(shù)據(jù)驅(qū)動(dòng)的方法確定或動(dòng)態(tài)適應(yīng)相應(yīng)的環(huán)境條件。此外，基于模型的方法中的系統(tǒng)條件可以是數(shù)據(jù)驅(qū)動(dòng)方法的特征向量的一部分。然而，所有這些在很大程度上取決于各自的應(yīng)用程序。

前面提到的算法流水線在 iCOMOX 上實(shí)施，并評(píng)估了工業(yè)機(jī)器人末端執(zhí)行器中的精確動(dòng)態(tài)姿態(tài)估計(jì)。加速度計(jì)和陀螺儀數(shù)據(jù)分別以 200 Hz 的采樣率作為輸入數(shù)據(jù)。iCOMOX 安裝在工業(yè)機(jī)器人的末端執(zhí)行器上，并確定了由位置和方向組成的姿態(tài)。結(jié)果如圖 7 所示。如圖所示，直接計(jì)算會(huì)導(dǎo)致非?？焖俚姆磻?yīng)，但也會(huì)導(dǎo)致大量噪聲和大量異常值。實(shí)踐中常用的 IIR 濾波器會(huì)產(chǎn)生非常平滑的信號(hào)，但它對(duì)真實(shí)姿勢的跟蹤效果很差。相比之下，

圖 7. 嵌入式平臺(tái)上的精確動(dòng)態(tài)角度估計(jì)。與直接計(jì)算和 IIR 濾波相比，所實(shí)現(xiàn)的算法表現(xiàn)出更好的性能。

結(jié)論

理想情況下，通過相應(yīng)的本地?cái)?shù)據(jù)分析，人工智能算法還應(yīng)該能夠自行決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)的智能可擴(kuò)展性。目前，必須為各自的應(yīng)用找到最佳算法仍然是主題專家，盡管此處使用的 AI 算法已經(jīng)可以以最小的實(shí)施工作量進(jìn)行擴(kuò)展，以用于機(jī)器狀態(tài)和結(jié)構(gòu)健康監(jiān)測的各種應(yīng)用。

嵌入式 AI 還應(yīng)就數(shù)據(jù)質(zhì)量做出決定，如果數(shù)據(jù)質(zhì)量不理想，則為傳感器和整個(gè)信號(hào)處理找到并做出最佳設(shè)置。如果將幾種不同的傳感器模式用于融合，則可以通過使用 AI 算法來彌補(bǔ)某些傳感器和方法的弱點(diǎn)和缺點(diǎn)。通過這種方式，提高了數(shù)據(jù)質(zhì)量和系統(tǒng)可靠性。如果 AI 算法將傳感器歸類為與相應(yīng)應(yīng)用程序不相關(guān)或不太相關(guān)，則可以相應(yīng)地限制其數(shù)據(jù)流。

Shiratech Solutions、Arrow 和 Analog Devices 的開放式嵌入式平臺(tái) iCOMOX 可通過 Arrow 獲得，其中包含一個(gè)免費(fèi)軟件開發(fā)套件和大量用于加速原型創(chuàng)建、促進(jìn)開發(fā)和實(shí)現(xiàn)原創(chuàng)想法的硬件和軟件示例項(xiàng)目?？梢允褂枚鄠鞲衅鲾?shù)據(jù)融合和嵌入式人工智能來創(chuàng)建一個(gè)強(qiáng)大且可靠的智能傳感器無線網(wǎng)狀網(wǎng)絡(luò)，用于基于狀態(tài)的監(jiān)控。有了它，大數(shù)據(jù)在本地變成了智能數(shù)據(jù)。

審核編輯：郭婷