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?？捎玫臄祿匆髾C器、系統和過程的虛擬視圖更加詳細。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，關于如何精確提取這種潛力的問題不斷出現——畢竟，數據處理的系統和架構變得越來越復雜，傳感器和執行器的數量也在不斷增加。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，仍然是一種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利用;以后尋找解決方案變得更加復雜和昂貴。更好的替代方法是盡早進行概念考慮，以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，這意味著提煉數據，例如，從大數據中為整個處理鏈制作智能數據。在應用程序級別，已經可以決定哪些AI算法在單獨的處理步驟中具有很高的成功概率。這取決于邊界條件，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。通常，時間行為會發揮作用，并對所需的信息產生直接影響。此外，必須經?？紤]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不再足夠，或者無法自動適應不斷變化的環境條件。

嵌入式、邊緣還是云 AI 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。實施通常發生在各個級別 - 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，在大多數情況下，實現盡可能靠近傳感器的算法更有利。通過這種方式，數據在早期階段被壓縮和提煉，并降低了通信和存儲成本。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;例如，直接提取完整的信息，不需要存儲數據。

用于基于狀態的監控的嵌入式平臺

Shiratech Solutions、Arrow 和 ADI 公司的基于 ARM Cortex-M4F 處理器的開放式嵌入式平臺 iCOMOX 是一款極其省電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傳感器以及外圍設備。所有這些都使其成為本地數據處理和采用最先進的智能AI算法早期細化數據的非常好的候選者。??

iCOMOX代表智能狀態監測箱，可用于進入基于振動，磁場，聲音和溫度分析的結構健康和機器狀態監測領域。根據要求，該平臺可以補充其他傳感器模式，例如，ADI公司的陀螺儀，即使在具有高沖擊和振動負載的環境中，也能精確測量轉速（見圖2）。iCOMOX中實施的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iCOMOX中的智能信號處理，大數據成為智能數據，因此只需要將與應用案例相關的數據發送到邊緣或云端。

圖2.iCOMOX的框圖。

對于無線通信，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 網絡由高度可擴展、自形成/優化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。SmartMesh IP 網絡的智能路由會考慮連接質量、每個數據包事務的時間表以及通信鏈路中的多跳數，為每個單獨的數據包確定最佳路徑。?

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幫助提取全部附加值。與將原始傳感器數據直接傳輸到邊緣或云相比，通過嵌入在iCOMOX中的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。

應用范圍

iCOMOX包括為其開發的AI算法，在監控機器、系統、結構和過程領域具有廣泛的應用——從異常檢測到復雜的故障診斷和立即啟動故障消除。通過集成麥克風和加速度計、磁場傳感器和溫度傳感器，iCOMOX 可以監控各種工業機器和系統中的振動和噪音以及其他操作條件。過程狀態、軸承或轉子和定子損壞、控制電子設備故障等，甚至系統行為的未知變化，例如由于電子設備損壞，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，嵌入式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。此外，iCOMOX還可用于優化復雜的制造工藝，以實現更高的產量或更好的產品質量。

用于智能傳感器的嵌入式 AI 算法

通過AI算法進行數據處理，甚至可以對復雜的傳感器數據進行自動分析。通過這種方式，所需的信息以及由此產生的附加值會自動從數據處理鏈中的數據中獲取。算法的選擇通常取決于有關應用程序的現有知識。如果可以獲得廣泛的領域知識，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，算法可能會復雜得多。在許多情況下，是應用程序定義了硬件，并通過它定義了算法的限制。

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：數據驅動方法和基于模型的方法。

使用數據驅動方法進行異常檢測

如果只有數據，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。這些算法直接從傳感器數據（大數據）中提取所需的信息（智能數據）。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。

可以在嵌入式平臺（如 iCOMOX）上實現的數據驅動方法的典型算法管道由三個組件組成（見圖 3）：1） 數據預處理，2） 特征提取和降維，以及 3） 實際的機器學習算法。

圖3.嵌入式平臺的數據驅動方法。

在數據預處理過程中，數據的處理方式使下游算法（尤其是機器學習算法）在盡可能短的時間內收斂到最佳解決方案。因此，必須使用簡單的插值方法替換缺失的數據，同時考慮到時間依賴性和不同傳感器數據之間的相互依賴性。此外，數據通過預白化算法進行修改，使它們看起來是相互獨立的。因此，在時間序列中或傳感器之間不再有線性依賴關系。主成分分析 （PCA）、獨立成分分析 （ICA） 和所謂的白化過濾器是預白化的典型算法。

在特征提取期間，特征（也稱為特征）派生自預處理的數據。加工鏈的這一部分在很大程度上取決于實際應用。由于嵌入式平臺的計算能力有限，這里還不可能實現計算密集型的全自動算法來評估各種特征并使用特定的優化標準來找到最佳特征——遺傳算法將包含在其中。相反，對于低功耗的嵌入式平臺（如iCOMOX），必須為每個單獨的應用程序手動指定用于提取特征的方法?？赡艿姆椒ò▽祿D換為頻域（快速傅里葉變換）、對原始傳感器數據應用對數、歸一化加速度計或陀螺儀數據、查找 PCA 中最大的特征向量，或對原始傳感器數據執行其他計算。還可以為不同的傳感器選擇不同的特征提取算法。因此，將獲得包含來自所有傳感器的所有相關特征的大型特征向量。

如果這個向量的維數超過一定大小，就必須通過降維算法來降維?？梢院唵蔚孬@取特定窗口內的最小值和/或最大值，也可以使用更復雜的算法，例如前面提到的PCA或自組織映射（SOM）。

只有在對數據進行完全預處理并提取與相應應用程序相關的特征之后，才能在嵌入式平臺上最佳地使用機器學習算法來提取不同的信息。與特征提取的情況一樣，機器學習算法的選擇在很大程度上取決于各自的具體應用。由于計算能力有限，全自動選擇最佳學習算法（例如，通過遺傳算法）也是不可能的。然而，即使是更復雜的神經網絡，包括訓練階段，也可以在iCOMOX等嵌入式平臺上實現。這里的決定性因素是有限的可用內存。因此，必須修改機器學習算法以及整個算法管道中前面提到的所有算法，以便直接處理傳感器數據。每個數據點僅由算法使用一次;例如，直接提取所有相關信息，消除了大量數據的內存密集型收集以及相關的高數據傳輸和存儲成本。這種類型的處理也稱為流分析。

前面提到的算法流水線在iCOMOX上實現，并在兩種不同的應用中評估了異常檢測：交流電機的基于狀態的監控和工業機器人的軌跡監控。兩個應用程序的算法基本相同;只有參數化的區別在于，所考慮的時間間隔對于電機監控來說很短，而對于軌跡監測來說很長。通過硬件的限制，還對其余算法參數推導出了不同的值。采樣率為1 kHz的加速度計和陀螺儀數據用作輸入數據。對于電機狀態監測，傳聲器數據也被用作輸入數據，以包括聲學特性，從而提高異常檢測精度。嵌入式平臺上的本地計算結果如圖4和圖5所示。在這兩個示例中，都提供了加速度計和陀螺儀數據、局部派生的特征以及局部計算的異常指示器。該指標隨著新的信號行為而急劇增加，并且在再次出現時要低得多;也就是說，新檢測到的信號被學習算法在模型中考慮和更新。

圖4.嵌入式平臺上交流電機的振動監測。

圖5.嵌入式平臺上工業機器人的軌跡監控。

使用基于模型的方法進行動態姿態估計

另一種根本不同的方法是通過公式和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或系統行為。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。這里一些最著名的例子是用于線性系統的卡爾曼濾波器（KF）和用于非線性系統的無跡卡爾曼濾波器（UKF），擴展卡爾曼濾波器（EKF）和粒子濾波器（PF）。過濾器的選擇在很大程度上取決于相應的應用。

可以在嵌入式平臺（如 iCOMOX）上實現的基于模型的方法的典型算法流水線由三個組件組成（參見圖 6）：1） 異常值檢測、2） 預測步驟和 3） 過濾步驟。

圖6.面向嵌入式平臺的基于模型的方法。

在異常值檢測期間，與系統條件的實際估計值相去甚遠的傳感器數據要么進行分數加權，要么在進一步處理中完全取出。通過這種方式，可以實現更強大的數據處理。

在預測步驟中，當前系統狀況會隨時間更新。這是在描述未來系統狀況預測的概率系統模型的幫助下完成的。這種概率系統模型通常來自確定性系統方程，該方程描述了未來系統條件對當前系統條件以及其他輸入參數和干擾的依賴性。在這里考慮的工業機器人狀態監測示例中，這將是單個關節臂的動態方程，它只允許在任何時間點的某些運動方向。

在過濾步驟中，然后使用給定的測量值處理預測的系統狀況，并因此更新條件估計值。有一個等效于系統方程的測量方程，可以在公式中描述系統條件和測量之間的關系。對于這里考慮的位置估計，這將是加速度計和陀螺儀數據與傳感器在空間中的精確位置之間的關系。

數據驅動和基于模型的方法的結合對于某些應用程序來說既是可以想象的，也是有利的。例如，基于模型的方法的基礎模型參數可以通過數據驅動的方法確定，也可以動態適應相應的環境條件。此外，基于模型的方法的系統條件可以成為數據驅動方法的特征向量的一部分。但是，所有這些都在很大程度上取決于各自的應用。

前面提到的算法流水線是在iCOMOX上實現的，并在工業機器人末端執行器中評估了精確的動態姿態估計。采樣率為200 Hz的加速度計和陀螺儀數據用作輸入數據。iCOMOX連接到工業機器人的末端執行器上，并確定其姿勢（包括位置和方向）。結果如圖 7 所示。如圖所示，直接計算會導致非?？斓姆磻矔a生大量異常值的噪聲。在實踐中常用的IIR濾波器會產生非常平滑的信號，但它對真實姿勢的跟隨非常差。相比之下，這里介紹的算法會產生非常平滑的信號，其中估計的姿勢非常精確和動態地跟隨工業機器人末端執行器的運動。

圖7.嵌入式平臺上的精確動態角度估計。與直接計算和IIR濾波相比，實現的算法顯示出更好的性能。

結論

理想情況下，通過相應的本地數據分析，AI算法還應該能夠自行決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，必須為相應的應用程序找到最佳算法仍然是主題專家，即使這里使用的AI算法已經可以以最少的實現工作量擴展到機器狀態和結構健康監測的各種應用程序。

嵌入式人工智能還應該就數據質量做出決定，如果數據質量不足，則找到并為傳感器和整個信號處理進行最佳設置。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弱點和缺點。通過這種方式，提高了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。

審核編輯：郭婷