本系列的前兩篇文章介紹了分析驅(qū)動的嵌入式系統(tǒng)，并描述了這些系統(tǒng)的數(shù)據(jù)訪問、數(shù)據(jù)預處理和預測算法類型（第 1 部分可在此處找到，第 2 部分可在此處找到）。在最后一篇文章中，讓我們看看如何實現(xiàn)分析并將它們集成到生產(chǎn)和嵌入式系統(tǒng)中。

實時運行分析和控制

圖 1 顯示了訪問和預處理數(shù)據(jù)以及選擇算法的工作流程。在訓練工作流程中，您使用存儲的數(shù)據(jù)來開發(fā)預處理代碼和機器學習來開發(fā)經(jīng)過訓練的模型。在預測工作流程中，相同的預處理代碼和經(jīng)過訓練的模型應用于實時數(shù)據(jù)以執(zhí)行實時分析。

【圖1 | 用于實時分析的訓練路徑和預測路徑的機器學習工作流程概述。］

此工作流可用于將工程、科學和現(xiàn)場數(shù)據(jù)與業(yè)務和交易數(shù)據(jù)相結合（請參見圖 2，了解每種類型的數(shù)據(jù)源示例）。這允許創(chuàng)建復雜的分析來開發(fā)更智能的系統(tǒng)。將傳感器生成的數(shù)據(jù)與其他實時源和他的傳統(tǒng)數(shù)據(jù)是物聯(lián)網(wǎng) （IoT）、工業(yè) 4.0 的機器對機器 （M2M） 協(xié)調(diào)以及聯(lián)網(wǎng)和自動駕駛汽車趨勢背后的力量。

【圖2 | 通過將傳感器數(shù)據(jù)與來自工程、科學和現(xiàn)場數(shù)據(jù)以及業(yè)務和交易數(shù)據(jù)的數(shù)據(jù)源相結合，實時分析可用于復雜系統(tǒng)。］

在 IT 系統(tǒng)和云中集成分析

在某些系統(tǒng)實現(xiàn)中，例如由BuildingIQ開發(fā)的系統(tǒng)，在企業(yè) IT 系統(tǒng)中執(zhí)行分析以提高嵌入式系統(tǒng)性能。分析可以作為與 IT 開發(fā)環(huán)境（如 Java、Microsoft .NET、Excel 和 C/C++）兼容的可部署組件自動生成，從而無需重新編碼即可將它們集成到正在運行的 Web、數(shù)據(jù)庫、桌面和可擴展的企業(yè)應用程序中在本地或私有或公共云中。

【圖3 | 分析可以集成到業(yè)務系統(tǒng)（上）、智能連接系統(tǒng)（左）或兩者的組合中。］

將分析與傳感器和嵌入式設備集成

圖 3 還顯示了可以集成數(shù)據(jù)縮減、傳感器融合或預測分析以直接在智能連接系統(tǒng)中的嵌入式系統(tǒng)上運行的路徑。斯堪尼亞緊急制動系統(tǒng)（在本系列的第 1 部分中描述）就是一個很好的例子。

物聯(lián)網(wǎng)向更智能和更多連接的傳感器的加速趨勢增加了將更多處理和分析移動到盡可能靠近傳感器的壓力。這樣做的好處是減少了通過網(wǎng)絡傳輸?shù)臄?shù)據(jù)量，從而降低了傳輸成本并可以降低無線設備的功耗。對于嵌入式系統(tǒng)設計人員來說，不僅要考慮算法性能，還要考慮整個系統(tǒng)的穩(wěn)健性、可靠性以及架構和設計的成本。為此，可以使用基于模型的設計方法來模擬系統(tǒng)，自動生成嵌入式代碼，并持續(xù)測試和驗證集成到嵌入式系統(tǒng)中的分析。

這方面的一個例子是使用大數(shù)據(jù)和分析使我們的汽車更智能的創(chuàng)新。汽車 OEM 正在從現(xiàn)實世界的駕駛情況（想想數(shù)百萬英里的駕駛）中收集大量數(shù)據(jù)，記錄發(fā)動機性能、視頻、雷達和其他信號等數(shù)據(jù)。這些數(shù)據(jù)用于生成重要的指標，例如車隊級別的燃油經(jīng)濟性和性能。工程團隊也在使用這些真實數(shù)據(jù)來設計、開發(fā)和測試新型汽車系統(tǒng)，例如高級駕駛輔助系統(tǒng) （ADAS）。通過結合數(shù)據(jù)分析和基于模型的設計工作流程，ADAS 工程師能夠使用帶有真實標簽的大型測試集改進算法，執(zhí)行嚴格的模擬和驗證，

分析驅(qū)動的嵌入式系統(tǒng)就在這里。創(chuàng)建處理大量業(yè)務和工程數(shù)據(jù)的分析能力使許多行業(yè)的設計工程師能夠開發(fā)更智能的產(chǎn)品和服務。他們可以使用分析來描述和預測系統(tǒng)的行為，并進一步將分析與嵌入式控制系統(tǒng)相結合，以自動化行動和決策。

審核編輯：郭婷