AI走进工业物联网之后有什么影响?

人工智能（AI）能够使工业物联网（IoT）的嵌入式系统具有更高的响应能力和可靠性，并且该技术已被用于监测机械状况并确定是否将要发生故障。以更具成本效益的方式安排维护工作。

在嵌入式系统中AI技术的部署时，要考虑到大部分数据的处理在哪里进行。AI算法在所需的计算性能方面差异很大，并且对处理该算法所需的内容以及在何处进行处理有很大的影响。

系统设计人员可以使用三种清晰的方法来开发基于嵌入式AI的系统，包括使用基于云的AI服务，使用内置AI部署系统或创建自己的算法（通常基于开源软件）。

深度神经网络（DNN）架构是算法的一个示例，尤其是在训练阶段，计算特别密集，在训练阶段，每次更新模型时都需要数十亿个浮点计算。由于对DNN的强烈需求，经典的方法是将数据发送到云进行远程处理。工业控制中支持AI的设备可以利用此远程处理，其中许多以开源形式提供。

Google的TensorFlow，它为具有创建AI算法经验的工程师以及刚刚起步的工程师提供了多个算法。Keras API构成TensorFlow框架的一部分，可轻松探索机器学习技术和运行应用程序。

然而，基于云的处理的缺点在于所需的通信带宽。可靠的互联网连接对于维持服务至关重要，并且值得注意的是，云AI的许多消费者应用程序都依赖宽带连接。工厂中的机床可能无法访问实时更新远程AI模型所需的数据速率。

通过在本地进行更多处理，因此有可能缩减带宽需求，有时会大幅缩减。在监视环境变量的应用程序中，许多变量不会长时间更改。对于模型而言，重要的是高于或低于某些阈值的变化。即使传感器可能需要毫秒级地分析传感器的输入，但云服务器的更新速率可能约为每秒几次更新，甚至更少。

构建AI软件

对于更复杂的数据形式，例如音频或视频，将需要更大程度的预处理。在将输出传递到AI模型之前执行图像处理不仅可以节省通信带宽，还可以帮助改善系统的整体性能。例如，在压缩之前进行降噪通常会提高压缩算法的效率。这与对高频信号敏感的有损压缩技术相关。边缘检测可与图像分割一起使用，这减少了在训练和推理期间都需要输入到模型的无关数据的数量。

尽管图像处理是一个复杂的领域，但在许多情况下，开发人员可以在本地处理算法，从而利用易于使用的库并消除对高带宽Internet连接的需求。一个简单的例子是开源计算机视觉库OpenCV，该库用于预处理AI模型的数据。开发人员可以使用C ++，Java，Python和Matlab代码进行调用，以实现高性能，并在将算法移植到嵌入式目标之前，还支持简单的原型制作。

通过使用OpenCV并在本地处理数据，集成商还消除了在云中传输和存储数据相关的安全风险，最终用户关注的是数据传递到云时的隐私和安全性。状态监视和工业检查是关键过程，需要尽可能完善的数据分析。尽管云运营商已采取措施来防止数据受到破坏，但是如果被成功入侵，就尽可能多地将数据保留在每个设备中。

除支持图像处理外，OpenCV的最新版本还直接支持许多流行的框架（包括Caffe，PyTorch和Tensorflow）构建的机器学习模型。

对于移植到嵌入式设备的任何机器学习模型，性能都是首要考虑的问题。由于训练数据对性能的要求非常高，因此两种选择是在本地或云服务器上执行此操作（取决于隐私问题），并在设备本身执行（当训练模型提供实时数据时）。

内置AI的Edge设备

如果每个节点的吞吐量相对较低，则一个网关可以处理多个传感器节点的任务。由Octonion开发的Brainium平台提供了针对嵌入式系统的完整开发框架。它的软件环境直接支持使用云系统进行原型设计，并部署在使用Avnet SmartEdge Agile硬件构建的IoT设备和网关上。

Brainium软件环境协调设备，以形成AI的整体环境。为了能够将应用程序扩展到深度嵌入的节点，该环境支持多种AI技术，这些技术的计算强度低于DNN中采用的技术。网关软件可以部署在现成的硬件上，例如能够运行Android或iOS的平台。在需要更高性能的地方，Brainium的云层可以部署在AWS，Microsoft Azure或自定义服务器解决方案上。

施耐德电气和Festo还将本地AI纳入了针对特定应用的控制产品中。前者提供Predictive Analytics应用程序，以识别影响性能的细微变化。在2018年，Festo收购了数据科学专家Resolto，其SCRAITEC软件用来了解系统的状态。

原始设备制造商或集成商在部署AI时采用哪种方法将取决于具体情况。例如，当用户尝试利用大数据分析时，他们可能希望将信息从许多系统中搬到更大的数据库中，因此倾向于使用云服务，而更多人希望保护数据的隐私。
责任编辑:tzh