作者：Felix Sawo and Dzianis Lukashevich

工業 4.0 應用會產生大量復雜數據——大數據。越來越多的傳感器以及通常可用的數據源使機器、系統和過程的虛擬視圖變得更加詳細。這自然增加了在整個價值鏈中產生附加值的潛力。然而，與此同時，關于如何精確提取此值的問題不斷出現 - 畢竟，數據處理的系統和架構變得越來越復雜。只有使用相關、高質量和有用的數據——智能數據——才能展現相關的經濟潛力。

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、分析和結構化，這是一種從數據中提取價值的普遍但不是特別有效的方法。從數據中產生附加值的潛力仍未得到充分利用;以后找到解決方案變得更加復雜。更好的替代方法是盡早考慮確定哪些信息與應用程序相關，以及信息在數據流中的哪個位置可以提取。形象地說，這意味著完善數據;也就是說，從大數據中為整個處理鏈制作智能數據。可以在應用程序級別決定哪些 AI 算法在各個處理步驟中具有很高的成功概率。此決定取決于邊界條件，例如可用數據、應用類型、可用傳感器模式以及有關較低級別物理過程的背景信息。

對于各個處理步驟，正確處理和解釋數據對于從傳感器信號中產生真正的附加值非常重要。根據應用的不同，可能難以正確解釋離散傳感器數據并提取所需信息。時間行為通常起著作用，并對所需信息產生直接影響。此外，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或規則已不再足夠。

人工智能算法

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，從數據處理鏈中的數據中自動獲得所需的信息，從而獲得附加值。

對于始終是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和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。這些所謂的基于模型的方法將傳感器數據與該背景信息相結合，為所需信息產生更精確的結果。這里最廣為人知的例子是卡爾曼濾波器。

如果有數據，但沒有可以用數學方程式形式描述的背景信息，那么必須選擇所謂的數據驅動方法。這些算法直接從數據中提取所需的信息。它們涵蓋了全方位的機器學習方法，包括線性回歸、神經網絡、隨機森林和隱馬爾可夫模型。

AI 方法的選擇通常取決于有關應用程序的現有知識。如果有廣泛的專業知識，人工智能將發揮更多的支持作用，并且使用的算法非常基本。如果沒有專業知識，使用的人工智能算法要復雜得多。在許多情況下，是應用程序定義了硬件，并通過它定義了AI算法的限制。

嵌入式、邊緣或云實施

整個數據處理鏈以及每個步驟所需的所有算法必須以這樣一種方式實現，以便能夠產生盡可能高的附加值。實施通常發生在整體層面 - 從計算資源有限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，算法不應該只在一個層面上實現。相反，實現盡可能靠近傳感器的算法通常更有利。通過這樣做，可以在早期階段壓縮和優化數據，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，在更高級別開發全局算法就不那么復雜了。在大多數情況分析領域的算法也可用于避免不必要的數據存儲，從而避免高數據傳輸和存儲成本。這些算法僅使用每個數據點一次;即直接提取完整的信息，不需要存儲數據。

采用 AI 算法的嵌入式平臺

ADI基于ARM Cortex -M4F處理器的微控制器ADuCM4050是一款節能的集成微控制器系統，具有集成電源管理功能，以及用于數據采集、處理、控制和連接的模擬和數字外設。所有這些都使其成為本地數據處理和利用最先進的智能 AI 算法早期細化數據的良好候選者。??

EV-COG-AD4050LZ是一款超低功耗開發和評估平臺，適用于ADI公司的完整傳感器、微控制器和HF收發器產品組合。EV-GEAR-MEMS1Z 擴展板主要（但不僅限于）設計用于評估 ADI 的各種 MEMS 技術;例如，該擴展板中使用的ADXL35x系列（包括ADXL355）以小尺寸提供出色的振動校正、長期可重復性和低噪聲性能。EV-COG-AD4050LZ 和 EV-GEAR-MEMS1Z 的組合可用于進入基于振動、噪聲和溫度分析的結構健康和機器狀態監測領域。其他傳感器也可以根據需要連接到COG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更好地估計當前情況。通過這種方式，可以對各種運行和故障條件進行更好的粒度和更高的概率進行分類。通過COG平臺上的智能信號處理，大數據在本地成為智能數據，只需要將與應用案例相關的數據發送到邊緣或云端即可。

COG平臺包含用于無線通信的附加屏蔽。例如，EV-COG-SMARTMESH1Z 將高可靠性和魯棒性以及極低的功耗與 6LoWPAN 和 802.15.4e 通信協議相結合，可滿足大量工業應用的需求。SmartMesh IP 網絡由高度可擴展、自形成的無線節點多跳網組成，用于收集和中繼數據。網絡管理器監視和管理網絡性能和安全性，并與主機應用程序交換數據。?

特別是對于無線、電池供電的狀態監測系統，嵌入式人工智能可以實現全部附加值。與將傳感器數據直接傳輸到邊緣或云相比，ADuCM4050中嵌入的AI算法將傳感器數據本地轉換為智能數據可降低數據流，從而降低功耗。

應用

COG開發平臺，包括為其開發的AI算法，在機器，系統，結構和過程的監控領域具有非常廣泛的應用，從簡單的異常檢測到復雜的故障診斷。例如，通過集成的加速度計、麥克風和溫度傳感器，可以監控來自不同工業機器和系統的振動和噪聲。嵌入式AI可以檢測到過程狀態，軸承或定子損壞，控制電子設備的故障，甚至系統行為的未知變化，例如由于電子設備損壞。如果預測模型可用于某些損害，則甚至可以在本地預測這些損害。通過這種方式，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，COG 平臺還可以幫助主題專家連續學習機器的行為，并隨著時間的推移推導出用于預測性維護的機器綜合模型。

結論

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相應的應用相關，哪種算法最適合它。這意味著平臺的智能可擴展性。目前，仍然是主題專家必須為相應的應用程序找到最佳算法，盡管我們使用的AI算法已經可以以最少的實現工作量擴展到機器狀態監測的各種應用程序。

嵌入式人工智能還應該對數據質量做出決定，如果數據質量不足，則為傳感器和整個信號處理找到并做出最佳設置。如果使用幾種不同的傳感器模式進行融合，則可以通過使用AI算法來彌補某些傳感器和方法的缺點。通過這種方式，可以提高數據質量和系統可靠性。如果傳感器被 AI 算法分類為與相應應用程序不相關或不太相關，則可以相應地限制其數據流。

ADI的開放式COG平臺包含免費提供的軟件開發套件和大量硬件和軟件示例項目，用于加速原型創建、促進開發和實現原創想法。通過多傳感器數據融合（EV-GEAR-MEMS1Z）和嵌入式人工智能（EV-COG-AD4050LZ），可以創建強大可靠的智能傳感器無線網狀網絡（SMARTMESH1Z）。

審核編輯：郭婷