通过嵌入式人工智能将大数据转化为智能数据

工业 4.0 应用程序会生成大量复杂数据 — 大数据。越来越多的传感器和一般可用的数据源正在使机器、系统和流程的虚拟视图变得更加详细。这自然会增加在整个价值链中产生附加值的潜力。然而，与此同时，如何准确提取该值的问题不断出现。毕竟，用于数据处理的系统和架构正变得越来越复杂。只有相关的、高质量的、有用的数据——智能数据——才能实现相关的经济潜力。

挑战

收集所有可能的数据并将它们存储在云中，希望以后能够对其进行评估、分析和结构化，这是一种从数据中提取价值的普遍但不是特别有效的方法。从数据中产生附加值的潜力仍未得到充分利用，以后寻找解决方案变得更加复杂。更好的选择是尽早考虑确定哪些信息与应用程序相关，以及可以在数据流中的哪个位置提取信息。形象地说，这意味着对数据进行细化——即为整个处理链从大数据中提取智能数据。可以在应用程序级别决定哪些 AI 算法在各个处理步骤中具有很高的成功概率。此决定取决于边界条件，例如可用数据、应用类型、可用传感器模式以及有关较低级别物理过程的背景信息。

（图片来源：Analog Devices, Inc.）

对于各个处理步骤，数据的正确处理和解释对于从传感器信号中产生真正的附加值极其重要。根据应用的不同，可能难以正确解释离散传感器数据并提取所需信息。时间行为通常会发挥作用，并对所需信息产生直接影响。此外，必须经常考虑多个传感器之间的相关性。对于复杂的任务，简单的阈值和手动确定的逻辑或规则已不再足够。

人工智能算法

相比之下，通过人工智能算法进行数据处理，可以对复杂的传感器数据进行自动分析。通过这种分析，可以从数据处理链中的数据中自动获得所需的信息，从而自动获得附加值。

对于模型构建，它始终是 AI 算法的一部分，基本上有两种不同的方法。

一种方法是通过公式和数据与所需信息之间的显式关系进行建模。这些方法需要以数学描述的形式提供物理背景信息。这些所谓的基于模型的方法将传感器数据与此背景信息相结合，为所需信息生成更精确的结果。这里最广为人知的例子是卡尔曼滤波器。

如果数据可用，但没有可用数学方程形式描述的背景信息，则必须选择所谓的数据驱动方法。这些算法直接从数据中提取所需的信息。它们涵盖了所有机器学习方法，包括线性回归、神经网络、随机森林和隐马尔可夫模型。

人工智能方法的选择通常取决于有关应用程序的现有知识。如果有广泛的专业知识，人工智能会起到更大的支持作用，所使用的算法也很初级。如果不存在专家知识，则使用的 AI 算法要复杂得多。在很多情况下，是应用程序定义了硬件，并由此定义了 AI 算法的局限性。

嵌入式、边缘或云实施

包含每个单独步骤所需的所有算法的整个数据处理链必须以能够产生最高可能附加值的方式实施。实施通常发生在整体层面——从计算资源有限的小型传感器到网关和边缘计算机，再到大型云计算机。很明显，算法不应该只在一个级别上实现。相反，尽可能靠近传感器实施算法通常更有利。通过这样做，可以在早期对数据进行压缩和细化，并降低通信和存储成本。此外，通过早期从数据中提取基本信息，更高级别的全局算法的开发不那么复杂。在大多数情况下，流分析领域的算法也可用于避免不必要的数据存储，从而避免高数据传输和存储成本。这些算法只使用每个数据点一次；即直接提取完整信息，无需存储数据。

在边缘处理 AI 算法（即嵌入式 AI）需要一个带有模拟和数字外设的集成微控制器，用于数据采集、处理、控制和连接。处理器还需要能够在本地实时捕获和处理数据，并拥有执行最先进的智能 AI 算法的计算资源。例如，Analog Devices 的 ADuCM4050 基于 ARM Cortex-M4F 架构，为嵌入式 AI 提供集成和节能的方法。

实现嵌入式 AI 远不止微控制器。为了加速设计，许多芯片制造商已经创建了开发和评估平台，例如 EV-COG-AD4050LZ。这些平台将微控制器与传感器和 HF 收发器等组件结合在一起，使工程师能够探索嵌入式 AI，而无需成为多种技术的专家。这些平台是可扩展的，使开发人员能够使用不同的传感器和其他组件。例如，EV-GEAR-MEMS1Z 屏蔽罩允许工程师快速评估不同的 MEMS 技术，例如 ADXL35x 系列，包括 ADXL355，该屏蔽罩中使用的具有出色的振动整流、长期可重复性和低噪声性能，外形小巧因素。

EV-COG-AD4050LZ 和 EV-GEAR-MEMS1Z 等平台和防护罩的组合使工程师能够进入基于振动、噪声和温度分析的结构健康和机器状态监测领域。其他传感器可以根据需要连接到平台，以便使用的人工智能方法可以通过所谓的多传感器数据融合更好地估计当前情况。通过这种方式，可以以更好的粒度和更高的概率对各种操作和故障条件进行分类。通过平台上的智能信号处理，大数据在本地变成智能数据，只需要将与应用案例相关的数据发送到边缘或云端即可。

平台方法还简化了通信，因为屏蔽可用于不同的无线通信。例如，EV-COG-SMARTMESH1Z 将高可靠性和稳健性以及极低的功耗与 6LoWPAN 和 802.15.4e 通信协议相结合，可满足大量工业应用的需求。 SmartMesh IP 网络由高度可扩展、自形成的多跳无线节点网状网络组成，用于收集和中继数据。网络管理器监控和管理网络性能和安全，并与主机应用程序交换数据。

特别是对于无线电池供电的状态监测系统，嵌入式人工智能可以实现全面的附加值。与将传感器数据直接传输到边缘或云端的情况相比，ADuCM4050 中嵌入的 AI 算法可将传感器数据本地转换为智能数据，从而降低数据流量，从而降低功耗。

应用

人工智能算法开发平台，包括为其开发的人工智能算法，在机器、系统、结构和过程的监控领域有着非常广泛的应用，从简单的异常检测延伸到复杂的故障诊断。集成加速度计、麦克风和温度传感器的使用支持多种功能，例如监测来自不同工业机器和系统的振动和噪声。嵌入式 AI 可用于检测过程状态、轴承或定子损坏、控制电子设备故障，甚至是由于电子设备损坏导致的系统行为未知变化。如果对某些损害有可用的预测模型，则甚至可以在本地预测这些损害。通过这种方式，可以及早采取维护措施，从而避免不必要的基于损坏的故障。如果不存在预测模型，该平台还可以帮助主题专家不断学习机器的行为，并随着时间的推移推导出机器的综合模型以进行预测性维护。

理想情况下，通过相应的本地数据分析，嵌入式人工智能算法应该能够决定哪些传感器与各自的应用相关，哪种算法最适合它。这意味着平台的智能可扩展性。目前，仍然是主题专家必须为各自的应用找到最佳算法，尽管 AI 算法已经可以在机器状态监测的各种应用中以最少的实现工作量进行扩展。

嵌入式 AI 还应该对数据质量做出决定，如果数据质量不足，则为传感器和整个信号处理找到并进行最佳设置。如果将几种不同的传感器模式用于传感器融合，则 AI 算法可以弥补某些传感器和方法的缺点。通过这种方式，数据质量和系统可靠性得到提高。如果 AI 算法将传感器归类为与应用的相关性最低，则可以相应地限制其数据流。

ADI 的开放 COG 平台包含免费提供的软件开发工具包和众多硬件和软件示例项目，用于加速原型创建、促进开发和实现原创想法。通过多传感器数据融合（EV-GEAR-MEMS1Z）和嵌入式人工智能（EV-COG-AD4050LZ），可以创建一个健壮可靠的智能传感器无线网状网络（SMARTMESH1Z）。