為了比競爭對手更好地為目標客戶服務，當今的嵌入式設計團隊正在研究機器學習 （ML） 和深度學習 （DL） 等新技術。ML 和 DL 使這些設計人員能夠以有限的資源更快地開發和部署復雜的機器和設備。借助這些技術，設計團隊可以使用數據驅動的方法構建一個或多個系統的復雜模型。

ML 和 DL 算法不是使用基于物理的模型來描述系統的行為，而是從數據中推斷出系統的模型。當要處理的數據量相對較小且問題的復雜性較低時，傳統的 ML 算法很有用。

但是對于更多數據的更大問題，比如自動駕駛汽車呢？這一挑戰需要深度學習技術。這種新興技術將推動我們進入控制設計和工業物聯網 （IIoT） 應用的下一個時代。

機器學習在工業資產中的當前應用

首先，考慮機器學習技術在工業資產狀態監測中的應用。ML 幫助將基于條件的監控應用程序從反應性和預防性維護時代轉變為預測性維護時代。這些技術被用于檢測異常行為、診斷問題，并在一定程度上預測電機、泵和渦輪機等工業資產的剩余使用壽命。

基于 ML 開發和部署模型的工作流程如圖 1 所示。

圖 1.使用機器學習的分析工作流程

了解如何使用此工作流程來監控電機的運行狀況。數據是從多種類型的傳感器收集的，例如加速度計、熱電偶和連接到電機的電流傳感器。特征工程步驟通常由兩部分組成：特征提取和特征縮減（圖 2）。

圖 2.特征工程

特征提取用于從原始數據（或波形）中獲取有用信息，以了解資產的健康狀況。例如，來自電機的電流信號的頻譜中嵌入了可用于檢測故障的信息，如圖 3 所示。頻譜中不同頻帶的平均幅度可以用作從當前信號。從多個傳感器中提取的特征可能包含冗余信息。

圖 3.從電機電流信號中提取特征

可以使用諸如主成分分析 （PCA） 之類的特征減少方法來減少最終用于構建模型的特征數量。減少特征的數量會降低要使用的 ML 模型的復雜性。減少的特征集表示為一個向量（或數組），并輸入到模型創建步驟中使用的 ML 算法中。

機器學習的類型

模型創建和驗證是一個迭代過程，您可以通過該過程嘗試多種 ML 算法并選擇最適合您的應用程序的算法。無監督 ML 算法，例如高斯混合模型 （GMM），可用于對電機的正常行為進行建模，并檢測電機何時開始偏離其基線。無監督方法有利于發現數據中的隱藏模式，而無需標記數據。

雖然無監督技術可用于檢測電機異常，但需要有監督算法來檢測異常原因。在監督方法中，算法以輸入數據對和所需輸出的形式呈現。該數據稱為標記數據。該算法學習將輸入映射到輸出的函數。用于訓練 ML 算法的數據包括在正常和故障條件下提取的特征。使用表示電機狀態的標簽清楚地識別這些特征。支持向量機 （SVM）、邏輯回歸和人工神經網絡是常用的監督機器學習算法。

傳統機器學習技術的一個挑戰是特征提取過程。這是一個需要領域專家知識的脆弱過程，通常是 ML 工作流程中的失敗點。

向深度學習工作流程邁進

DL 算法最近受到歡迎，因為它們消除了對特征工程步驟的需求。從傳感器獲取的數據（原始測量）可以直接輸入到 DL 算法中，如圖 4 所示。

圖 4.深度學習工作流程

深度學習算法基于人工神經網絡。人工神經網絡學習算法的靈感來自于生物神經網絡的結構和功能方面。這些算法以分層組織的一組互連的計算節點（人工神經元）的形式構成。第一層被稱為輸入層，它與輸入信號或數據接口。最后一層是輸出層，這一層的神經元輸出最終的預測或決策。

在輸入層和輸出層之間，有一個或多個隱藏層（圖 5）。一層的輸出通過加權連接連接到下一層的節點。網絡通過修改這些權重來學習輸入和輸出之間的映射。通過使用多個隱藏層，DL 算法可以學習需要從輸入數據中提取的特征，而無需將特征顯式輸入到學習算法中。這被稱為“特征學習”。

圖 5.前饋人工神經網絡

使用深度學習技術進行設計

深度學習最近在 IIoT 應用中取得成功，主要是因為技術組件時代的到來，例如硬件計算能力的增強、標記訓練數據的大型存儲庫、學習算法和網絡初始化的突破，以及開源軟件框架的可用性。

以下是使用深度學習技術設計系統的一些主要考慮因素。

拓撲

DL 是一個不斷發展的領域，目前正在使用許多網絡拓撲。其中一些顯示出控制和監控 IIoT 應用前景的網絡是：

深度神經網絡 （DNN）是具有許多隱藏層（因此很深）的完全連接的人工神經網絡。這些網絡是出色的函數逼近器，例如，可用于電力電子控制應用。

您嘗試控制的系統的仿真模型可用于使用深度網絡構建控制器，以及生成訓練數據。有了這個，您可以探索使用傳統方法通常難以控制的狀態（邊界/拐角條件）。

卷積神經網絡 （CNN）旨在利用輸入信號的二維結構，例如輸入圖像或語音信號。卷積網絡由一個或多個卷積層（過濾層）組成，然后是一個全連接的多層神經網絡。

這些網絡在成像缺陷檢測和物體識別等問題上取得了成功。它們還用于高級駕駛輔助系統 （ADAS） 中的場景理解。

循環神經網絡 （RNN）基于利用順序（或歷史）信息進行預測的算法。這些網絡非常適合時間序列分析。傳統的神經網絡假設所有輸入（和輸出）在時間或到達順序上相互獨立。RNN 記錄狀態信息，其中存儲有關過去的信息，并使用到目前為止計算的信息進行下一次預測。

在 IIoT 應用中，RNN 有利于學習歷史行為并使用它來預測未來的事件，例如資產的剩余使用壽命 （RUL）。長短期記憶 （LSTM） 網絡非常適合這類應用。

深度強化學習 （DRL）有利于設計在復雜動態環境中運行的自適應控制系統。

考慮控制部署在倉庫操作中的機器人，其中機器人必須動態適應新任務?；趶娀瘜W習的控制器通過執行使他們更接近目標的動作而獲得的獎勵來學習任務。例如，控制器從攝像頭接收顯示機器人手臂當前位置的圖像，并使用圖像中的信息來學習如何將手臂移近目標?？梢允褂脵C器人模擬器或通過觀察實際機器人的動作來訓練基于 DL 的控制器。

訓練

DNN 需要大量訓練數據，最好包括來自網絡需要學習的所有不同狀態或條件的數據。對于大多數應用程序，可用數據主要來自系統的正常工作狀態，以及來自其他狀態的少量數據采樣。

數據增強是一種用于改善數據不平衡的技術，您可以從現有的小樣本集開始，并通過轉換數據來創建額外的合成版本。您還可以使用系統的模擬模型來創建訓練數據。

另一個挑戰是難以收集訓練這些網絡所需的大量數據。遷移學習是您可以用來緩解此問題的一種方法。使用遷移學習，您可以從預訓練的神經網絡開始（大多數 DL 軟件框架提供完全訓練的模型，您可以下載）并使用應用程序中的數據對其進行微調。

硬件

訓練深度網絡具有巨大的處理要求。GPU 已成為訓練深度網絡的主要選擇。由于高計算性能、大內存、高內存帶寬和編程工具的選擇，GPU 很有吸引力，幾乎是訓練的必需品。

此外，FPGA 是部署經過訓練的網絡的良好目標。FPGA 提供更低的延遲、更好的電源效率和確定性，特別是用于將這些網絡部署在嵌入式設備上，用于在 I/O 的緊密循環中運行的控制系統。

軟件

深度學習迅速采用和成功的一個原因是成熟軟件框架的可用性。一些常見的有 TensorFlow、Caffe、Keras 和計算網絡工具包 （CNTK）。這些框架支持不同的操作系統，如 Windows 和 Linux，以及 Python 和 C++ 等語言。這些框架中的大多數都具有實現最新 DL 網絡的支持或示例。它們還支持在 GPU 上學習。

深度學習：工業物聯網控制設計的新方向

DL 是人工智能中一個令人興奮的新方向，也是解決工業控制設計應用中下一代問題的有前途的技術。

開始使用 DL 的一種快速方法是下載前面提到的一個開源框架并試驗教程示例。從一個與您的應用程序類似的示例開始，并使用遷移學習快速開始操作。

審核編輯：郭婷