利用嵌入式AI，将大数据转变为智能数据

2020年5月12日 Dzianis Lukashevich、Felix Sawo

工业4.0应用产生大量的复杂数据——大数据。传感器和可用数据源越来越多，通常要求机器、系统和流程的虚拟视图更详细。这自然会增加在整个价值链上产生附加值的潜力。但与此同时，有关如何挖掘这种价值的问题不断出现。毕竟，用于数据处理的系统和架构变得越来越复杂。只有使用相关、优质且有用的数据，也就是智能数据，才能挖掘出相关的经济潜力。

挑战

收集所有可能的数据并将其存储在云中，希望以后对其进行评估、分析和构建使用，这仍然是一种广泛采用的挖掘数据价值方法，但不是特别有效。从数据中挖掘附加值的潜力仍未得到充分利用，并且以后再寻找解决方案会变得更加复杂。更好的替代方法是尽早考虑确定哪些信息与应用相关，以及可以在数据流的哪个位置提取信息。可以用细化数据来打比方，即从整个处理链的大数据中提取出智能数据。可在应用层决定哪些AI算法对于单个处理步骤的成功概率较高。这个决定取决于边界条件，如可用数据、应用类型、可用传感器模型和有关物理层处理的背景信息。

（图片来源：ADI公司）

对于单独立的理步骤，正确处理和解读数据对于从传感器信号生成真正的附加值非常重要。根据应用的不同，正确解读分立传感器数据并提取所需的信息可能很困难。时间行为通常会发挥作用，并直接影响所需的信息。此外，还必须经常考虑多个传感器之间的依赖关系。对于复杂的任务，简单的阈值和手工确定的逻辑已不足以应对。

AI算法

相比之下，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。通过这种分析，可从数据处理链中的数据自动获得所需的信息，从而获得附加值。

对于始终属于AI算法一部分的模型构建，基本上有两种不同的方法。

一种方法是通过公式、传感器数据与所需信息之间的显式关系进行建模。这些方法需要以数学描述的形式提供物理背景信息。这些所谓基于模型的方法将传感器数据与此背景信息相结合，针对所需信息产生更精确的结果。这里最广为人知的示例是卡尔曼滤波器。

如果有数据，而没有可使用数学方程形式描述的背景信息，那么必须选择所谓的数据驱动方法。这些算法直接从该数据中提取所需的信息。它们包含所有的机器学习方法，包括线性回归、神经网络、随机森林和隐式马尔可夫模型。

选择哪种AI算法通常取决于有关应用的现有知识。如果有广泛的专业知识，AI将发挥更大的支持作用，所使用的算法也很初级。如果没有专业知识，所使用的AI算法可能要复杂得多。在很多情况下，由应用定义硬件，从而限制AI算法。

嵌入式、边缘或云实现

包含每单个步骤所需的所有算法的整体数据处理链必须以能够尽可能生成附加值的方式实现。通常在总体层级实现——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。很明显，这些算法不应只在一个层级上实现。而尽可能接近传感器实现算法通常会更有利。通过这种方式，可以在早期阶段对数据进行压缩和细化，并降低通信和存储成本。此外，通过早期从数据中提取基本信息，在更高层级开发全局算法就没那么复杂。在大多数情况下，流分析区域中的算法也有助于避免不必要的数据存储，由此降低数据传输和存储成本。这些算法只使用每个数据点一次；也就是说，直接提取完整信息，且无需存储数据。

在终端（例如，嵌入式AI）上处理AI算法需要采用嵌入式处理器，以及模拟和数字外设，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本地数据，以及拥有执行先进的智能AI算法的计算资源。例如，ADI的ADuCM4050基于ARM Cortex-M4F架构，提供集成且节能的方法来嵌入AI。

实施嵌入式AI远远不止是单纯采用微控制器。为了加快设计，许多硅芯片制造商都构建了开发和评估平台，例如EV-COG-AD4050LZ。这些平台将微控制器与传感器和HF收发器等组件结合在一起，使工程师无需深度掌握多种技术，就能探索嵌入式AI。这些平台可扩展，使得开发人员能够使用不同的传感器和其他组件。例如，通过使用EV-GEAR-MEMS1Z扩展板，工程师能够快速评估不同的MEMS技术，例如，该扩展板中使用的ADXL35x系列（包括ADXL355）提供出色的振动校正、长期可重复性和低噪声性能，并且尺寸很小。

平台和扩展板（例如EV-COG-AD4050LZ和EV-GEAR-MEMS1Z）的组合让工程师能够基于振动、噪声和温度分析来了解结构健康状况，以及实施机器状态监控。其他传感器也可根据需要连接到平台，以便所使用的AI方法可以通过所谓的多传感器数据融合来更好地估计当前的情况。这样，即可使用更好的粒度和更高的概率，对各种运行状态和故障情况进行分类。通过平台上的智能信号处理，大数据在本地就变成智能数据，使得只有与应用案例相关的数据才会发送至边缘或云端。

平台方法还可以简化通信，因为扩展板可用于实施不同的无线通信。例如，EV-COG-SMARTMESH1Z具有高可靠性、鲁棒性和极低功耗特性，支持适合大量工业应用的6LoWPAN和802.15.4e通信协议。SmartMesh IP网络由负责采集和中继数据的无线节点的高度可扩展、自成型多跳Mesh网络组成。网络管理器监视和管理网络性能及安全性，并与主机应用程序交换数据。

特别是对于电池供电的无线状态监控系统，嵌入式AI可实现完整附加值。通过ADuCM4050中嵌入的AI算法将传感器数据在本地转换为智能数据，与直接将传感器数据传输到边缘或云端相比，数据流更低，因此功耗也更低。

应用

AI算法开发平台（包括为其开发的AI算法）广泛应用于机器、系统、结构和过程控制领域，从简单的异常检测扩展到复杂的故障诊断。通过集成的加速度计、麦克风和温度传感器，可以实现多种功能，例如监测来自各种工业机器和系统的振动和噪音。嵌入式AI可用于检测过程状态、轴承或定子的损坏、控制电子设备的故障，甚至是因电子设备损坏而导致的未知系统行为变化。如果预测模型适用于特定的损坏，甚至可以在本地预测这些损坏。通过这种方法，可以在早期阶段采取维护措施，从而避免不必要的基于损坏的故障。如果不存在预测模型，平台还可以帮助学科问题专家不断了解机器的行为，并随着时间的推移，得出一个全面的机器模型用于预测维护。

理想情况下，通过相应的本地数据分析，嵌入式AI算法应该能够确定哪些传感器与各自的应用相关，以及哪种算法最适合它。这意味着平台具有智能可扩展性。目前，学术专家仍然必须为各自的应用找到理想算法，尽管只需对各种机器状态监控应用进行很少的实施工作，即可扩展AI算法。

嵌入式AI还应对数据的质量作出决定，如果数据质量不佳，就为传感器和整个信号处理找到并进行相应设置。如果采用多种不同的传感器模式进行融合，则使用AI算法可弥补某些传感器和方法的不足。通过这种方式，可提高数据质量和系统可靠性。如果传感器被AI算法划分为与应用不太相关，将相应地控制其数据流。

ADI的开放式COG平台包含可免费使用的软件开发套件以及许多硬件和软件示例项目，用于加速原型创建、促进开发并实现最初的想法。通过多传感器数据融合（EV-GEAR-MEMS1Z）和嵌入式AI （EV-COG-AD4050LZ），可创建稳健可靠的无线智能传感器Mesh网络（SMARTMESH1Z）。

Dzianis Lukashevich是ADI公司的平台和解决方案总监。他主要关注大趋势、新兴技术、完整解决方案，以及塑造行业未来，并在广阔的市场中变革ADI业务的新商业模式。Dzianis Lukashevich于2012年加入德国慕尼黑的ADI销售与营销部。他在2005年获得慕尼黑工业大学电气工程博士学位，2016年获得华威商学院工商管理硕士学位。

Felix Sawo于2005年获得德国伊梅诺科技大学机械电子理学硕士学位，2009年获得卡尔斯鲁厄理工学院计算机科学博士学位。毕业之后，他在弗劳恩霍夫协会光电、系统技术和图像处理研究所（IOSB）担任科学家，开发机器诊断算法和系统。自2011年起，他一直担任Knowtion的首席执行官，专注于传感器融合和自动数据分析的算法开发。