中经视野首页研究报告中经榜

嵌入式AI赋予大数据更多的智慧,挖掘更大的经济潜力

2020-10-15 04:21

文 / 电子工程世界   编辑 / 庄梅

字号

  工业生产4.0运用造成很多的复杂数据——大数据。传感器和可用数据库越来越多,一般 规定机器、系统和流程的虚拟视图更详细。这当然会提升在整个价值链上造成附加值的潜力。但与此同时,有关如何发掘这类使用价值的问题不断出現。终究,用以数据处理的系统和构架变得愈来愈复杂。只有应用相关、高品质且有用的数据,也就是智能数据,才可以挖掘出相关的经济潜力。

  挑战

  搜集全部可能的数据并将其存储在云上,期待之后对其进行评估、分析和构建应用,这依然是一种普遍选用的发掘数据价值方法,但并不是特别合理。从数据中发掘附加值的潜力仍未得到充分利用,而且之后再寻找解决方案会变得更加复杂。更强的取代方法是尽快考虑确定什么信息与运用相关,及其可以在数据流的哪一个部位获取信息。可以用优化数据来打比方,即从整个解决链的大数据中获取出智能数据。可在网络层决定什么AI算法针对单个解决步骤的取得成功概率较高。这一决定在于边界条件,如可用数据、运用种类、可用传感器方式[WF1]和有关较低等级物理学过程[WF2]的背景信息

4-1.jpg

  针对单个[WF3]解决步骤,妥善处理和讲解数据针对从传感器数据信号转化成真实的附加值十分关键。依据运用的不一样,恰当讲解公司分立传感器数据并获取需要的信息可能很艰难。时间行为一般 会充分发挥,并直接危害需要的信息。此外,还必须经常考虑多个传感器之间的依赖关系。针对复杂的任务,简易的阀值和手动[WF4]确定的逻辑已不足以应对。

  AI算法

  比较之下,通过AI算法进行数据处理可以自动分析复杂的传感器数据。通过这类分析,可从数据处理链中的数据自动得到 需要的信息,进而得到 附加值。

  针对始终归属于AI算法一部分的模型构建,大部分有两种不一样的方法。

  一种方法是通过公式计算、传感器数据与所需信息之间的显式关联进行模型。这种方法必须以数学课叙述的方式出示物理学背景信息。这种说白了基于模型的方法将传感器数据与此背景信息紧密结合,对于所需信息造成更精准的結果。这儿最广为流传的实例是卡尔曼滤波器。

  如果有数据,而没有可应用数学方程方式叙述的背景信息,那麼必须挑选说白了的数据驱动方法。这种算法直接从该数据中获取需要的信息。他们包括全部的深度学习方法,包含线性回归、神经网络、随机森林和隐[WF5]马尔可夫模型。

  挑选哪样AI算法一般 在于有关运用的目前专业知识。如果有普遍的专业技能,AI将发挥更高的支持作用,所应用的算法也很初级。如果没有专业技能,所应用的AI算法可能要复杂得多。在许多 状况下,由运用界定硬件配置,进而限定AI算法。

  嵌入式、边缘或云实现

  包括每单个步骤需要的全部算法的总体数据处理链必须以可以尽量转化成附加值的方法实现。一般 在整体等级实现——从具有有限计算资源的小型传感器,到网关和边缘计算机,再到大型云计算机。很显著,这种算法不可只在一个等级上实现。而尽量接近传感器实现算法一般 会更有利。通过这类方法,可以在初期环节对数据进行缩小和优化,并降低通讯和存储成本。除此之外,通过初期从数据中获取基本资料,在更高层级开发全局性算法就没那麼复杂。在大部分状况下,流分析地区中的算法也有利于避免不必要的数据存储,从而降低传输数据和存储成本。这种算法只应用每一个数据点一次;换句话说,直接获取详细信息,且不用存储数据。

  在终端设备(比如,嵌入式AI)上解决AI算法必须选用集成化微处理器[WF6],及其仿真模拟和数据外接设备,用以数据收集、解决、操纵和联接。CPU还必须可以即时捕获和解决当地数据,及其有着实行优秀的智能AI算法的计算资源。比如,ADI的ADuCM4050基于ARMCortex-M4F构架,出示集成化且环保节能的方法来置入AI。

  执行嵌入式AI远远地不止是单纯选用微处理器。为了加速设计方案,很多硅芯片生产商都构建了开发和评估平台,比如EV-COG-AD4050LZ。这种平台将微处理器与传感器和HF收发器等部件融合在一起,使技术工程师不用深层把握多种多样技术性,就能探寻嵌入式AI。这种平台可扩展,促使开发人员可以应用不一样的传感器和别的部件。比如,通过应用EV-GEAR-MEMS1Z扩展板,技术工程师可以迅速评估不一样的MEMS技术性,比如,该扩展板中应用的ADXL35x系列(包含ADXL355)出示出色的振动校正、长期可重复性和低噪声性能,而且尺寸很小。

  平台和扩展板(比如EV-COG-AD4050LZ和EV-GEAR-MEMS1Z)的组成让技术工程师可以基于振动、噪音和溫度分析来掌握构造身体状况,及其执行机器状态监控。别的传感器也可依据必须联接到平台,便于所应用的AI方法可以通过说白了的多传感器数据预处理来能够更好地可能当今的状况。那样,就可以应用更强的粒度分布和高些的概率,对各种各样运作状态和故障状况进行归类。通过平台上的智能信号处理,大数据在当地成为[WF7]智能数据,促使只有与运用实例相关的数据才会发送到边缘或云端。

  平台方法还能够简单化通讯,由于扩展板可用以执行不一样的无线通讯。比如,EV-COG-SMARTMESH1Z具有很高的可靠性、可扩展性和极功耗特点,支持合适很多工业生产运用的6LoWPAN和802.15.4e通讯协议。SmartMeshIP网络由搜集[WF8]和无线中继数据的无线连接点的高宽比可扩展、开创型多跳Mesh互联网构成。互联网管理工具监控和管理性能及安全系数,并与主机应用软件交换数据。

  特别是针对电池供电的无线状态监控系统,嵌入式AI可实现详细附加值。通过ADuCM4050中置入的AI算法将传感器数据在当地变换为智能数据,与直接将传感器传输数据到边缘或云端对比,数据流更低,因而功耗也更低。

  运用

  AI算法开发平台(包含为其开发的AI算法)广泛运用于机器、系统、构造和过程监控[WF9]领域,从简易的异常检测扩展到复杂的故障诊断。通过集成化的加速度计、麦克风和温度感应器,可以实现多种多样作用,比如检测来源于各种各样工业生产机器和系统的振动和噪音。嵌入式AI可用以检验过程状态、滚动轴承或电机定子的损坏、操纵电子设备的故障,甚至是因电子设备损坏而造成的不明系统行为转变。假如预测模型适用特殊的损坏,甚至可以在当地预测这种损坏。通过这类方法,可以在初期环节采用维护措施,进而避免不必要的基于损坏的故障。假如不会有预测模型,平台还能够协助学科问题专家不断掌握机器的行为,并随着时间的变化,得到一个全方位的机器模型用以预测维护。

  理想情况下,通过相应的本地数据分析,嵌入式AI算法应该可以明确哪些传感器与分别的应用相关,以及哪样算法最适合它。这代表着平台具有智能可扩展性。现阶段,学科[WF10]问题[WF11]专家依然必须为分别的应用找到理想算法,虽然只需对各种各样机器状态监管应用开展很少的实施工作,即可扩展AI算法。

  嵌入式AI还解决数据信息的品质作出决定,假如数据质量不佳,就为传感器和全部信号分析找到并开展相应设定。假如选用各种不同的传感器方式开展结合,则应用AI算法可弥补一些传感器和方式 的不够。通过这类方式,可提升数据质量和系统可靠性。假如传感器被AI算法区划为与应用不太相关,将相应地控制其数据流分析。

  ADI的敞开式COG平台包括可免费试用的开发软件模块以及很多硬件配置和软件实例新项目,用以加速原形建立、推动开发并完成最初的想法。通过多传感器数据预处理(EV-GEAR-MEMS1Z)和嵌入式AI(EV-COG-AD4050LZ),可建立稳健靠谱的无线智能传感器Mesh互联网(SMARTMESH1Z)。

本文来源本站,转载请注明来源!文章仅代表作者观点,不代表中经视野立场!(图片来源互联网,版权归原作者所有)
广告、内容合作请点这里:

相关推荐

评论(0)

我要跟帖
已输入0
发表
新评论

热门文章

关于中经商业评论

微信扫一扫