基于人工智能技术的火车轨道状况应用

在 ST，我们相信人工智能 （AI） 在广泛的工业应用中有着光明的未来。这就是为什么我们很高兴能与Lenord + Bauer一起出席Electronica 2018，共同展示工业传感器系统中的 AI 示例，以及列车振动分析的用例。

铁路车厢智能传感

Lenord + Bauer 使用的智能传感器基于 ST 的加速度计和 STM32微控制器，封装在评估板 （ STEVAL-BFA001V1B） 中。该传感器设计用于连接到火车车轮转向架（起落架），并嵌入了人工智能以在早期检测损坏或材料疲劳。嵌入在 STM32 微控制器中的神经网络已使用从测试台上的集成传感器获取的预处理数据进行训练，并借助高效工具 STM32Cube.AI 自动转换为微控制器的优化代码。该软件工具作为广泛使用的STM32CubeMX 工具的一部分完全集成到 STM32 软件生态系统中，允许将预先训练的神经网络快速、自动地转换为可在任何基于 STM32 Cortex-M 的 MCU 上运行的优化库。

人工智能优势

人工智能 （AI） 可以定义为机器执行逻辑分析、获取知识以及适应随时间变化或在特定情况下变化的环境的能力。今天，人工智能已经在大量标记、条件良好的数据集可用的情况下得到广泛应用，并且主要用于处理图像和语音。现在，人工智能在其他应用中的应用越来越多，尤其是在工业领域。

AI 提供了一种替代手工制作的基于规则的编程的方法，工程师通过这种方法创建详细的算法，指定流程的每个分析步骤。人工智能允许机器在有监督或无监督模式下从可用数据中“学习”，并开发自己的数据分析方式并得出结果。“学习”过程的结果被提炼成“神经网络”——一种类似于人脑工作方式的数学结构。神经网络体现了在训练中获得的知识，以从新传入的数据中推断数据特征。

智能工业的边缘人工智能

与工业自动化、预测性维护和更智能的工作环境相关的智能行业计划正在创造机会，将人工智能用作智能传感器系统的一部分。状态监测和预测性维护系统由许多传感器节点组成，这些节点通过网络连接到边缘服务器或云服务。如果来自每个传感器的原始数据被发送到云服务器，那么如果需要快速响应，这可能需要大带宽并引发延迟问题。一种明智的选择是使用嵌入式人工智能分析直接在智能传感器节点上处理数据。这最大限度地减少了需要通过网络传输的数据的带宽，并允许快速反应。

智能传感器节点通常包含一个微控制器，该微控制器提供本地数据处理能力，包括数据捕获、处理和通信处理。微控制器执行通常涉及时域和频谱分析的 AI 算法，以及其他处理以清理传感器数据并设置精确的警报阈值。

在这些节点中人工智能的一个特殊优势是，如果被监控的物理元素发生变化，例如，用另一台机器替换一台机器，那么可以通过获取新数据并在之前的机器学习过程中运行它来快速生成一个新的神经网络。将其重新加载到智能传感器 MCU 上。这与工业环境高度相关，在工业环境中，由于机器的性质和使用年限，每台机器都可能具有不同的特性，在创建监控程序时需要考虑这些特性。这里的手工算法方法需要更多的时间和精力，并且不能扩展到不同的机器和机器类型。

意想不到的好处

还有一个不太明显的优势。考虑配备 Lenord + Bauer 智能传感器的火车；借助这种基于人工智能的技术，这些列车本身也变成了传感器。他们可以监控并提供描述他们运行的轨道状况的数据。当火车行驶其路线时，它们产生的信息可以映射到一个位置并从多列火车同步，以鼓励对可能在结构上削弱的铁路部分进行预测性维护——在故障之前。

有了这么多直接和次要的好处，人工智能肯定会在各种各样的工业应用中得到广泛的应用——以及许多其他应用。

Lenord + Bauer 是国际上活跃的运动传感器和集成驱动技术专家。 该公司为运输行业开发、生产和分销解决方案，专注于铁路和运动自动化，特别是工具和包装机应用。

审核编辑：郭婷