工業 4.0 應用產生大量的復雜數據——大數據。傳感器和可用數據源越來越多，通常要求機器、系統和流程的虛擬視圖更詳細。這自然會增加在整個價值鏈上產生附加值的潛力。但與此同時，有關如何挖掘這種價值的問題不斷出現。畢竟，用于數據處理的系統和架構變得越來越復雜。只有使用相關、優質且有用的數據，也就是智能數據，才能挖掘出相關的經濟潛力。

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，以及可以在數據流的哪個位置提取信息。可以用細化數據來打比方，即從整個處理鏈的大數據中提取出智能數據。可在應用層決定哪些 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，如可用數據、應用類型、可用傳感器模式和有關較低級別物理進程的背景信息。

（圖片來源：ADI 公司）

對于單個處理步驟，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。時間行為通常會發揮作用，并直接影響所需的信息。此外，還必須經常考慮多個傳感器之間的依賴關系。對于復雜的任務，簡單的閾值和手動確定的邏輯已不足以應對。

AI 算法

相比之下，通過 AI 算法進行數據處理可以自動分析復雜的傳感器數據。通過這種分析，可從數據處理鏈中的數據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、傳感器數據與所需信息之間的顯式關系進行建模。這些方法需要以數學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，而沒有可使用數學方程形式描述的背景信息，那么必須選擇所謂的數據驅動方法。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習方法，包括線性回歸、神經網絡、隨機森林和隱馬爾可夫模型。

選擇哪種 AI 算法通常取決于有關應用的現有知識。如果有廣泛的專業知識，AI 將發揮更大的支持作用，所使用的算法也很初級。如果沒有專業知識，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、邊緣或云實現

包含每單個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現。通常在總體層級實現——從具有有限計算資源的小型傳感器，到網關和邊緣計算機，再到大型云計算機。很明顯，這些算法不應只在一個層級上實現。而盡可能接近傳感器實現算法通常會更有利。通過這種方式，可以在早期階段對數據進行壓縮和細化，并降低通信和存儲成本。此外，通過早期從數據中提取基本信息，在更高層級開發全局算法就沒那么復雜。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數據點一次；也就是說，直接提取完整信息，且無需存儲數據。

在終端（例如，嵌入式AI）上處理 AI 算法需要采用集成式微控制器，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時捕獲和處理本地數據，以及擁有執行先進的智能 AI 算法的計算資源。例如，ADI 的 ADuCM4050 基于 ARM Cortex-M4F 架構，提供集成且節能的方法來嵌入 AI。

實施嵌入式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發和評估平臺，例如 EV-COG-AD4050LZ。這些平臺將微控制器與傳感器和 HF 收發器等組件結合在一起，使工程師無需深度掌握多種技術，就能探索嵌入式 AI。這些平臺可擴展，使得開發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 擴展板，工程師能夠快速評估不同的 MEMS 技術，例如，該擴展板中使用的 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、噪聲和溫度分析來了解結構健康狀況，以及實施機器狀態監控。其他傳感器也可根據需要連接到平臺，以便所使用的 AI 方法可以通過所謂的多傳感器數據融合來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，對各種運行狀態和故障情況進行分類。通過平臺上的智能信號處理，大數據在本地成為智能數據，使得只有與應用案例相關的數據才會發送至邊緣或云端。

平臺方法還可以簡化通信，因為擴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，支持適合大量工業應用的 6LoWPAN 和 802.15.4e 通信協議。SmartMesh IP 網絡由收集和中繼數據的無線節點的高度可擴展、自成型多跳 Mesh 網絡組成。網絡管理器監視和管理網絡性能及安全性，并與主機應用程序交換數據。

特別是對于電池供電的無線狀態監控系統，嵌入式 AI 可實現完整附加值。通過 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 算法開發平臺（包括為其開發的 AI 算法）廣泛應用于機器、系統、結構和過程監控領域，從簡單的異常檢測擴展到復雜的故障診斷。通過集成的加速度計、麥克風和溫度傳感器，可以實現多種功能，例如監測來自各種工業機器和系統的振動和噪音。嵌入式 AI 可用于檢測過程狀態、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，平臺還可以幫助學科問題專家不斷了解機器的行為，并隨著時間的推移，得出一個全面的機器模型用于預測維護。

理想情況下，通過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，以及哪種算法最適合它。這意味著平臺具有智能可擴展性。目前，學科問題專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監控應用進行很少的實施工作，即可擴展 AI 算法。

嵌入式 AI 還應對數據的質量作出決定，如果數據質量不佳，就為傳感器和整個信號處理找到并進行相應設置。如果采用多種不同的傳感器模式進行融合，則使用 AI 算法可彌補某些傳感器和方法的不足。通過這種方式，可提高數據質量和系統可靠性。如果傳感器被 AI 算法劃分為與應用不太相關，將相應地控制其數據流。

ADI 的開放式 COG 平臺包含可免費使用的軟件開發套件以及許多硬件和軟件示例項目，用于加速原型創建、促進開發并實現最初的想法。通過多傳感器數據融合(EV-GEAR-MEMS1Z)和嵌入式 AI (EV-COG-AD4050LZ)，可創建穩健可靠的無線智能傳感器 Mesh 網絡(SMARTMESH1Z)。

Dzianis Lukashevich 是 ADI 公司的平臺和解決方案總監。他主要關注大趨勢、新興技術、完整解決方案，以及塑造行業未來，并在廣闊的市場中變革 ADI 業務的新商業模式。Dzianis Lukashevich 于 2012 年加入德國慕尼黑的 ADI 銷售與營銷部。他在 2005 年獲得慕尼黑工業大學電氣工程博士學位，2016 年獲得華威商學院工商管理碩士學位。

Felix Sawo 于 2005 年獲得德國伊梅諾科技大學機械電子理學碩士學位，2009 年獲得卡爾斯魯厄理工學院計算機科學博士學位。畢業之后，他在弗勞恩霍夫協會光電、系統技術和圖像處理研究所(IOSB)擔任科學家，開發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，專注于傳感器融合和自動數據分析的算法開發。