将大数据转换为嵌入式AI的智能数据

文章：Dzianis Lukashevich，Felix Sweo

行业4.0应用程序生成大量复杂的数据大数据。越来越多的传感器和通常可用的数据源正在制作更详细的机器，系统和过程的虚拟视图。这自然增加了沿整个值链产生增加值的可能性。但是，同时，关于如何提取此值的问题会导致究竟会导致。毕竟，数据处理的系统和架构变得越来越复杂。只有相关，高质量和有用的数据智能数据 - 可以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，希望他们将稍后进行评估，分析，结构化是一种广泛但没有特别有效的方法来提取数据的值。从数据生成附加值的可能性仍未用尽，并在稍后的时间找到解决方案变得更加复杂。更好的替代方案是提前考虑以确定与应用程序相关的信息，并且在数据流中可以提取信息的位置。比喻说话，这意味着改进数据 - 即，使智能数据从整个处理链的大数据中脱离。关于哪个AI算法的决定可以在应用程序级别进行各个处理步骤的高概率。该决定取决于诸如可用数据，应用程序类型，可用的传感器模式以及关于较低级别物理过程的背景信息的边界条件。

（图片Soure：Analog Devices，Inc。）

对于各个处理步骤，对数据的正确处理和解释对于从传感器信号产生的真实附加值非常重要。根据应用，可能难以正确地解释离散传感器数据并提取所需信息。时间行为通常发挥作用，并直接影响所需信息。此外，必须经常考虑多个传感器之间的依赖关系。对于复杂任务，简单的阈值和手动确定的逻辑或规则不再足够了。

AI算法

相反，通过AI算法进行数据处理，可以实现复杂传感器数据的自动分析。通过该分析，所需的信息，因此，增加的值从数据处理链从数据自动到达。

对于型号建筑，始终是AI算法的一部分，基本上存在两种不同的方法。

一种方法是通过公式建模和数据与所需信息之间的显式关系。这些方法需要以数学描述的形式提供物理背景信息的可用性。这些所谓的基于模型的方法将传感器数据与该背景信息组合，以产生所需信息的更精确的结果。这里最广泛的示例是卡尔曼滤波器。

如果数据，但是没有以数学方程式的形式描述的背景信息可用，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信息。它们包括全系列的机器学习方法，包括线性回归，神经网络，随机林和隐藏的马尔可夫模型。

选择AI方法通常取决于关于应用程序的现有知识。如果提供了广泛的专业知识，AI播放了更具支持作用，并且使用的算法非常基本。如果没有专家知识，则使用的AI算法更复杂。在许多情况下，它是定义硬件的应用程序，并且通过此，可以实现AI算法的限制。

嵌入式，边缘或云实现

必须以每个单独的步骤中所需的所有算法的总数据处理链以这样的方式实现，即可以生成最高可能的附加值。实现通常发生在整体级别 - 从小型传感器，通过网关和边缘计算机到大型云计算机的计算资源有限。很明显，算法不仅应在一个级别实现。相反，实现尽可能接近传感器的算法通常更有利。通过这样做，数据在早期阶段压缩和精制，并且缩短了通信和存储成本。此外，通过早期提取来自数据的基本信息，在更高级别的全球算法的开发不太复杂。在大多数情况下，来自流分析区域的算法也可用于避免不必要的数据存储，因此，高数据传输和存储成本。这些算法仅使用每个数据点一次;也就是说，直接提取完整信息，并且不需要存储数据。

处理边缘（即嵌入式AI）的AI算法需要一个集成的微控制器，用于数据采集，处理，控制和连接。处理器还需要能够实时捕获和处理数据，以及具有执行最先进的智能AI算法的计算资源。例如，ADUCM4050从模拟设备基于ARM Cortex-M4F架构，并提供嵌入式AI的集成和省电方法。

实现嵌入式AI远远超过微控制器。为了加速设计，许多硅制造商已经创造了像这样的开发和评估平台EV-COG-AD4050LZ。这些平台将微控制器与传感器和HF收发器等组件一起带来，以使工程师能够探索嵌入式AI，而无需成为多种技术的专家。这些平台可扩展，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盾牌允许工程师快速评估不同的MEMS技术，如ADXL35X.系列，包括ADXL355在该屏蔽中使用的，在该屏蔽中使用较高的振动整流，长期可重复性和低噪声性能，在小的形状因素中。

EV-COG-AD4050LZ和EV-Gear-Mems1z等平台和屏蔽的组合为工程师进入了基于振动，噪声和温度分析的结构健康和机器状态监测世界。根据需要，其他传感器可以连接到平台，使得使用的AI方法可以通过所谓的多传感器数据融合来提供更好地估计当前情况。以这种方式，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，大数据在本地变为智能数据，仅使得与应用程序相关的数据发送到边缘或云。

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602.15.4E通信协议结合起来的高可靠性和鲁棒性以及极低的功耗，该协议解决了大量工业应用。SmartMesh IP网络由收集和中继数据的无线节点的高度可扩展，自成的多频网格组成。网络管理器监视并管理网络性能和安全性并使用主机应用程序交换数据。

对于无线电池操作状态监测系统，嵌入式AI可以实现完全附加值。通过ADUCM4050中嵌入的AI算法将传感器数据的本地转换为智能数据导致较低的数据流程，因此功耗低于具有传感器数据到边缘或云的情况下的电源少。

应用程序

AI算法的开发平台包括为它们开发的AI算法，在监控机器，系统，结构和过程中具有非常广泛的应用，这些过程从简单地检测异常对复杂故障诊断的简单检测。使用集成的加速度计，麦克风和温度传感器使能功能诸如不同的工业机器和系统的监控。嵌入式AI可用于检测过程状态，轴承或定子损坏，控制电子器件的故障，甚至由于电子设备损坏而导致的系统行为的未知变化。如果可用于某些损坏的预测模型，则这些损坏甚至可以在本地预测。通过这一点，可以在早期阶段采取维护措施，因此可以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先后学习机器的行为和随着时间的推移，为预测维护提供机器的综合模型。

理想情况下，通过相应的本地数据分析，嵌入式AI算法应该能够确定哪些传感器与各个应用以及哪种算法是最好的传感器。这意味着平台的智能可扩展性。目前，它仍然是必须找到相应应用程序的最佳算法的主题专家，即使AI算法已经可以为机器条件监控的各种应用的最小实现速度进行缩放。

嵌入式AI还应对数据质量做出决定，如果它不足，请找到并为传感器和整个信号处理提供最佳设置。如果几种不同的传感器模式用于传感器融合，则AI算法可以补偿某些传感器和方法的缺点。通过此，提高了数据质量和系统可靠性。如果AI算法将传感器分类为与应用程序最小相关的传感器，则可以通过其数据流程来限制。

Adi的开放式COG平台包含可自由的可用软件开发成套工具以及用于加速原型创作，促进发展和实现原创思想的硬件和软件的大量示例项目。通过多传感器数据融合（EV-Gear-MEMS1Z）和嵌入式AI（EV-COG-AD4050LZ），可以创建智能传感器的强大且可靠的无线网状网络（SmartMesh1z）。

- Dzianis Lukashevich是模拟设备的平台和解决方案总监。
- Felix Sweo，Ceo＆Cogntion联合创始人