工業 4.0 應用程序生成大量復雜數據——大數據。越來越多的傳感器以及通常可用的數據源要求機器、系統和流程的虛擬視圖更加詳細。這自然會增加在整個價值鏈中產生附加值的潛力。然而，與此同時，如何準確挖掘這種潛力的問題不斷出現——畢竟，用于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。只有擁有相關、高質量和有用的數據——智能數據——才能發揮相關的經濟潛力。

挑戰

收集所有可能的數據并將其存儲在云中，以期稍后對其進行評估、分析和結構化仍然是一種廣泛使用但不是特別有效的方法。從數據中產生附加價值的潛力仍未得到利用；稍后尋找解決方案變得更加復雜和昂貴。更好的選擇是盡早進行概念性考慮，以確定哪些信息與應用程序相關，以及可以在數據流中的何處提取信息。形象地說，這意味著對數據進行提煉——例如，將大數據中的智能數據用于整個處理鏈。在應用程序級別，已經可以決定哪些 AI 算法在各個處理步驟中具有很高的成功概率。

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，并對所需信息產生直接影響。此外，必須經常考慮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不允許自動適應不斷變化的環境條件。

嵌入式、邊緣或云 AI 實施？

具有每個單獨步驟所需的所有算法的整個數據處理鏈必須以能夠產生最高可能附加值的方式實施。實施通常發生在各個層面——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。這里很清楚，算法不應該只在一個層次上實現。相反，在大多數情況下，盡可能靠近傳感器實現算法更為有利。通過這種方式，可以在早期對數據進行壓縮和提煉，降低通信和存儲成本。此外，通過早期從數據中提取基本信息，更高層次的全局算法的開發變得不那么復雜。在大多數情況下，流分析領域的算法也有助于避免不必要的數據存儲，從而避免高昂的數據傳輸和存儲成本。這些算法只使用每個數據點一次；例如，直接提取完整信息，無需存儲數據。

用于狀態監測的嵌入式平臺

人工智能技術作為一個整體正在迅速發展。許多公司正在開發將大數據轉化為智能數據的 IP，并將其算法和設計以平臺的形式提供給一般市場。這些平臺匯集了硬件、軟件和工具，使 OEM 能夠實施和部署 AI，而無需自己開發底層 AI 基礎設施。

例如，考慮 Shiratech Solutions、Arrow 和 Analog Devices 的基于 ARM? Cortex?-M4F 處理器的開放嵌入式平臺 iCOMOX。iCOMOX 是一種節能的集成微控制器系統，具有集成電源管理、模擬和數字傳感器以及用于數據采集、處理、控制和連接的外圍設備。該平臺非常適合本地數據處理和使用最先進的智能 AI 算法對數據進行早期細化。

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的世界。根據要求，該平臺可以補充額外的傳感器模式——例如，ADI 公司的陀螺儀，用于精確測量轉速，即使在高沖擊和振動負載的環境中也是如此（參見圖 2）。

在嵌入式 AI 平臺中實施的 AI 方法可以通過所謂的多傳感器數據融合來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情況進行更細粒度和更高概率的分類。通過更靠近邊緣的智能信號處理，大數據成為智能數據，只需將與應用案例相關的數據發送到邊緣或云端。

圖 2. iCOMOX 開放平臺的框圖。

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 網絡由收集和中繼數據的無線節點的高度可擴展、自我形成/優化的多跳網狀網絡組成。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 網絡的智能路由根據連接質量、每個數據包事務的調度以及通信鏈路中的多跳數確定每個單獨數據包的最佳路徑。

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。通過 AI 算法將傳感器數據本地轉換為智能數據，與將原始傳感器數據直接傳輸到邊緣或云端的情況相比，數據流更低，因此功耗更低。

應用范圍

嵌入式人工智能在監控機器、系統、結構和流程領域有著廣泛的應用——從異常檢測擴展到復雜的故障診斷和立即啟動故障消除。例如，通過 iCOMOX 等平臺支持的集成麥克風和加速度計、磁場傳感器和溫度傳感器，監測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。通過這個，可以及早采取維護措施，從而避免不必要的損壞故障。如果不存在預測模型，嵌入式平臺還可以幫助主題專家逐步了解機器的行為，并隨著時間的推移推導出機器的綜合模型以進行預測性維護。此外，可以使用一個平臺來優化復雜的制造過程，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

通過人工智能算法進行數據處理，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，所需的信息和附加價值會自動從數據處理鏈中的數據中獲得。算法的選擇通常取決于有關應用程序的現有知識。如果有廣泛的領域知識可用，AI 將扮演更多的輔助角色，并且使用的算法非常初級。如果不存在專業知識，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，并由此定義了算法的限制。

對于始終作為 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，但沒有可用數學方程形式描述的背景信息，則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）中提取所需信息（智能數據）。它們涵蓋了所有機器學習方法，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 iCOMOX 等嵌入式平臺上實現的數據驅動方法的典型算法管道由三個組件組成（參見圖 3）：1）數據預處理，2）特征提取和降維，以及 3）實際機器學習算法。

圖 3. 嵌入式平臺的數據驅動方法。

在數據預處理過程中，數據的處理方式使得下游算法，尤其是機器學習算法，在盡可能短的計算時間內收斂到最優解。考慮到時間依賴性和不同傳感器數據之間的相互依賴性，因此必須使用簡單的插值方法替換丟失的數據。此外，通過預白化算法修改數據，使它們看起來是相互獨立的。因此，時間序列或傳感器之間不再存在線性依賴關系。主成分分析 （PCA）、獨立成分分析 （ICA） 和所謂的白化濾波器是預白化的典型算法。

在特征提取過程中，特征，也稱為特征，是從預處理數據中導出的。這部分處理鏈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，目前還不可能實現計算密集型、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——其中將包括遺傳算法。相反，對于像 iCOMOX 這樣的低功耗嵌入式平臺，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。可能的方法包括將數據轉換到頻域（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，在 PCA 中找到最大的特征向量，或對原始傳感器數據執行其他計算。也可以針對不同的傳感器選擇不同的特征提取算法。結果獲得了包含來自所有傳感器的所有相關特征的大特征向量。

如果這個向量的維數超過一定的大小，就必須通過降維算法進行降維。可以簡單地獲取某個窗口內的最小值和/或最大值，或者可以為此目的使用更復雜的算法，例如前面提到的 PCA 或自組織映射 （SOM）。

只有在對數據進行完整的預處理并提取與各自應用相關的特征之后，才能在嵌入式平臺上優化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，甚至更復雜的神經網絡，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，機器學習算法，以及整個算法管道中的所有前面提到的算法，必須以直接處理傳感器數據的方式進行修改。每個數據點僅被算法使用一次；例如，直接提取所有相關信息，消除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式分析。

前面提到的算法管道在 iCOMOX 上實施，并在兩種不同的應用中評估異常檢測：交流電機的基于狀態的監控和工業機器人中的軌跡監控。兩種應用的算法基本相同；只有參數化的不同之處在于所考慮的時間間隔對于電機監控來說是短的，而對于軌跡監控來說是長的。由于硬件的限制，剩余的算法參數也得到了不同的取值。采樣率為 1 kHz 的加速度計和陀螺儀數據分別用作輸入數據。對于電機狀態監測，麥克風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，都給出了加速度計和陀螺儀數據、本地導出的特征以及本地計算的異常指標。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，新檢測到的信號在模型中被學習算法考慮和更新。

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勢估計

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明確關系進行建模。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此背景信息相結合，從而為所需信息產生更精確的結果。這里的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）。過濾器的選擇很大程度上取決于各自的應用。

可以在 iCOMOX 等嵌入式平臺上實現的基于模型的方法的典型算法管道由三個組件組成（參見圖 6）：1）異常值檢測，2）預測步驟和 3）過濾步驟。

圖 6. 基于模型的嵌入式平臺方法。

在異常值檢測期間，與系統狀況的實際估計相去甚遠的傳感器數據要么被部分加權，要么在進一步處理中被完全取出。通過這種方式，實現了更穩健的數據處理。

在預測步驟中，當前系統條件隨時間更新。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特定運動方向。

在過濾步驟中，預測的系統條件然后用給定的測量值進行處理，從而更新條件估計。有一個等效于系統方程的測量方程，它使系統條件和測量之間的關系可以用公式來描述。對于此處考慮的位置估計，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來說是可以想象和有利的。例如，基于模型的方法的基礎模型的參數可以通過數據驅動的方法確定或動態適應相應的環境條件。此外，基于模型的方法中的系統條件可以是數據驅動方法的特征向量的一部分。然而，所有這些在很大程度上取決于各自的應用程序。

前面提到的算法流水線在 iCOMOX 上實施，并評估了工業機器人末端執行器中的精確動態姿態估計。加速度計和陀螺儀數據分別以 200 Hz 的采樣率作為輸入數據。iCOMOX 安裝在工業機器人的末端執行器上，并確定了由位置和方向組成的姿態。結果如圖 7 所示。如圖所示，直接計算會導致非常快速的反應，但也會導致大量噪聲和大量異常值。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蹤效果很差。相比之下，

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，所實現的算法表現出更好的性能。

結論

理想情況下，通過相應的本地數據分析，人工智能算法還應該能夠自行決定哪些傳感器與各自的應用相關，以及哪種算法最適合它。這意味著平臺的智能可擴展性。目前，必須為各自的應用找到最佳算法仍然是主題專家，盡管此處使用的 AI 算法已經可以以最小的實施工作量進行擴展，以用于機器狀態和結構健康監測的各種應用。

嵌入式 AI 還應就數據質量做出決定，如果數據質量不理想，則為傳感器和整個信號處理找到并做出最佳設置。如果將幾種不同的傳感器模式用于融合，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 AI 算法將傳感器歸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。

Shiratech Solutions、Arrow 和 Analog Devices 的開放式嵌入式平臺 iCOMOX 可通過 Arrow 獲得，其中包含一個免費軟件開發套件和大量用于加速原型創建、促進開發和實現原創想法的硬件和軟件示例項目。可以使用多傳感器數據融合和嵌入式人工智能來創建一個強大且可靠的智能傳感器無線網狀網絡，用于基于狀態的監控。有了它，大數據在本地變成了智能數據。

審核編輯：郭婷