如何创建强大且可靠的智能传感器无线网状网络

工业 4.0 应用程序生成大量复杂数据——大数据。越来越多的传感器以及通常可用的数据源要求机器、系统和流程的虚拟视图更加详细。这自然会增加在整个价值链中产生附加值的潜力。然而，与此同时，如何准确挖掘这种潜力的问题不断出现——毕竟，用于数据处理的系统和架构变得越来越复杂，传感器和执行器的数量也在不断增加。只有拥有相关、高质量和有用的数据——智能数据——才能发挥相关的经济潜力。

挑战

收集所有可能的数据并将其存储在云中，以期稍后对其进行评估、分析和结构化仍然是一种广泛使用但不是特别有效的方法。从数据中产生附加价值的潜力仍未得到利用；稍后寻找解决方案变得更加复杂和昂贵。更好的选择是尽早进行概念性考虑，以确定哪些信息与应用程序相关，以及可以在数据流中的何处提取信息。形象地说，这意味着对数据进行提炼——例如，将大数据中的智能数据用于整个处理链。在应用程序级别，已经可以决定哪些 AI 算法在各个处理步骤中具有很高的成功概率。

对于各个处理步骤，正确处理和解释数据对于从传感器信号产生真正的附加值非常重要。根据应用的不同，可能难以正确解释离散传感器数据并提取所需信息。通常，时间行为会发挥作用，并对所需信息产生直接影响。此外，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，简单的阈值和手动确定的逻辑不再足够或不允许自动适应不断变化的环境条件。

嵌入式、边缘或云 AI 实施？

具有每个单独步骤所需的所有算法的整个数据处理链必须以能够产生最高可能附加值的方式实施。实施通常发生在各个层面——从计算资源有限的小型传感器到网关和边缘计算机，再到大型云计算机。这里很清楚，算法不应该只在一个层次上实现。相反，在大多数情况下，尽可能靠近传感器实现算法更为有利。通过这种方式，可以在早期对数据进行压缩和提炼，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，更高层次的全局算法的开发变得不那么复杂。在大多数情况下，流分析领域的算法也有助于避免不必要的数据存储，从而避免高昂的数据传输和存储成本。这些算法只使用每个数据点一次；例如，直接提取完整信息，无需存储数据。

用于状态监测的嵌入式平台

人工智能技术作为一个整体正在迅速发展。许多公司正在开发将大数据转化为智能数据的 IP，并将其算法和设计以平台的形式提供给一般市场。这些平台汇集了硬件、软件和工具，使 OEM 能够实施和部署 AI，而无需自己开发底层 AI 基础设施。

例如，考虑 Shiratech Solutions、Arrow 和 Analog Devices 的基于 ARM® Cortex®-M4F 处理器的开放嵌入式平台 iCOMOX。iCOMOX 是一种节能的集成微控制器系统，具有集成电源管理、模拟和数字传感器以及用于数据采集、处理、控制和连接的外围设备。该平台非常适合本地数据处理和使用最先进的智能 AI 算法对数据进行早期细化。

iCOMOX 代表智能状态监测箱，可用于进入基于振动、磁场、声音和温度分析的结构健康和机器状态监测的世界。根据要求，该平台可以补充额外的传感器模式——例如，ADI 公司的陀螺仪，用于精确测量转速，即使在高冲击和振动负载的环境中也是如此（参见图 2）。

在嵌入式 AI 平台中实施的 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情况。通过这种方式，可以对各种运行和故障情况进行更细粒度和更高概率的分类。通过更靠近边缘的智能信号处理，大数据成为智能数据，只需将与应用案例相关的数据发送到边缘或云端。

图 2. iCOMOX 开放平台的框图。

对于无线通信，iCOMOX 提供了一种具有高可靠性和鲁棒性以及极低功耗的解决方案。SmartMesh IP 网络由收集和中继数据的无线节点的高度可扩展、自我形成/优化的多跳网状网络组成。网络管理器监视和管理网络性能和安全性，并与主机应用程序交换数据。SmartMesh IP 网络的智能路由根据连接质量、每个数据包事务的调度以及通信链路中的多跳数确定每个单独数据包的最佳路径。

特别是对于无线、电池供电的状态监测系统，嵌入式人工智能可以帮助提取全部附加值。通过 AI 算法将传感器数据本地转换为智能数据，与将原始传感器数据直接传输到边缘或云端的情况相比，数据流更低，因此功耗更低。

应用范围

嵌入式人工智能在监控机器、系统、结构和流程领域有着广泛的应用——从异常检测扩展到复杂的故障诊断和立即启动故障消除。例如，通过 iCOMOX 等平台支持的集成麦克风和加速度计、磁场传感器和温度传感器，监测各种工业机器和系统中的振动和噪音以及其他操作条件。过程状态、轴承或转子和定子损坏、控制电子设备故障等，甚至系统行为的未知变化，例如由于电子设备损坏，都可以通过 AI 检测到。如果行为模型可用于某些损害，甚至可以预测这些损害。通过这个，可以及早采取维护措施，从而避免不必要的损坏故障。如果不存在预测模型，嵌入式平台还可以帮助主题专家逐步了解机器的行为，并随着时间的推移推导出机器的综合模型以进行预测性维护。此外，可以使用一个平台来优化复杂的制造过程，以实现更高的产量或更好的产品质量。

用于智能传感器的嵌入式 AI 算法

通过人工智能算法进行数据处理，甚至可以对复杂的传感器数据进行自动分析。通过这种方式，所需的信息和附加价值会自动从数据处理链中的数据中获得。算法的选择通常取决于有关应用程序的现有知识。如果有广泛的领域知识可用，AI 将扮演更多的辅助角色，并且使用的算法非常初级。如果不存在专业知识，算法可能会复杂得多。在许多情况下，是应用程序定义了硬件，并由此定义了算法的限制。

对于始终作为 AI 算法一部分的模型构建，基本上有两种不同的方法：数据驱动方法和基于模型的方法。

使用数据驱动方法进行异常检测

如果只有数据，但没有可用数学方程形式描述的背景信息，则必须选择所谓的数据驱动方法。这些算法直接从传感器数据（大数据）中提取所需信息（智能数据）。它们涵盖了所有机器学习方法，包括线性回归、神经网络、随机森林和隐马尔可夫模型。

可以在 iCOMOX 等嵌入式平台上实现的数据驱动方法的典型算法管道由三个组件组成（参见图 3）：1）数据预处理，2）特征提取和降维，以及 3）实际机器学习算法。

图 3. 嵌入式平台的数据驱动方法。

在数据预处理过程中，数据的处理方式使得下游算法，尤其是机器学习算法，在尽可能短的计算时间内收敛到最优解。考虑到时间依赖性和不同传感器数据之间的相互依赖性，因此必须使用简单的插值方法替换丢失的数据。此外，通过预白化算法修改数据，使它们看起来是相互独立的。因此，时间序列或传感器之间不再存在线性依赖关系。主成分分析 （PCA）、独立成分分析 （ICA） 和所谓的白化滤波器是预白化的典型算法。

在特征提取过程中，特征，也称为特征，是从预处理数据中导出的。这部分处理链很大程度上取决于实际应用。由于嵌入式平台的计算能力有限，目前还不可能实现计算密集型、全自动算法来评估各种特征并使用特定的优化标准来找到最佳特征——其中将包括遗传算法。相反，对于像 iCOMOX 这样的低功耗嵌入式平台，必须为每个单独的应用程序手动指定用于提取特征的方法。可能的方法包括将数据转换到频域（快速傅里叶变换），对原始传感器数据应用对数，归一化加速度计或陀螺仪数据，在 PCA 中找到最大的特征向量，或对原始传感器数据执行其他计算。也可以针对不同的传感器选择不同的特征提取算法。结果获得了包含来自所有传感器的所有相关特征的大特征向量。

如果这个向量的维数超过一定的大小，就必须通过降维算法进行降维。可以简单地获取某个窗口内的最小值和/或最大值，或者可以为此目的使用更复杂的算法，例如前面提到的 PCA 或自组织映射 （SOM）。

只有在对数据进行完整的预处理并提取与各自应用相关的特征之后，才能在嵌入式平台上优化使用机器学习算法来提取不同的信息。与特征提取的情况一样，机器学习算法的选择很大程度上取决于各自的具体应用。由于计算能力有限，全自动选择最佳学习算法（例如通过遗传算法）也是不可能的。然而，甚至更复杂的神经网络，包括训练阶段，也可以在 iCOMOX 等嵌入式平台上实现。这里的决定性因素是有限的可用内存。因此，机器学习算法，以及整个算法管道中的所有前面提到的算法，必须以直接处理传感器数据的方式进行修改。每个数据点仅被算法使用一次；例如，直接提取所有相关信息，消除大量数据的内存密集型收集以及相关的高数据传输和存储成本。这种类型的处理也称为流式分析。

前面提到的算法管道在 iCOMOX 上实施，并在两种不同的应用中评估异常检测：交流电机的基于状态的监控和工业机器人中的轨迹监控。两种应用的算法基本相同；只有参数化的不同之处在于所考虑的时间间隔对于电机监控来说是短的，而对于轨迹监控来说是长的。由于硬件的限制，剩余的算法参数也得到了不同的取值。采样率为 1 kHz 的加速度计和陀螺仪数据分别用作输入数据。对于电机状态监测，麦克风数据也被用作输入数据，以包括声学特性，从而提高异常检测精度。嵌入式平台上的本地计算结果如图 4 和图 5 所示。在这两个示例中，都给出了加速度计和陀螺仪数据、本地导出的特征以及本地计算的异常指标。该指标随着新的信号行为而急剧增加，并且在再次出现时要低得多；也就是说，新检测到的信号在模型中被学习算法考虑和更新。

图 4. 嵌入式平台上交流电机的振动监测。

图 5. 嵌入式平台上工业机器人的轨迹监控。

使用基于模型的方法进行动态姿势估计

另一种根本不同的方法是通过公式和传感器数据与所需信息之间的明确关系进行建模。这些方法需要以数学描述的形式提供物理背景信息或系统行为。这些所谓的基于模型的方法将传感器数据与此背景信息相结合，从而为所需信息产生更精确的结果。这里的一些最著名的例子是用于线性系统的卡尔曼滤波器 （KF） 和用于非线性系统的无迹卡尔曼滤波器 （UKF）、扩展卡尔曼滤波器 （EKF） 和粒子滤波器 （PF）。过滤器的选择很大程度上取决于各自的应用。

可以在 iCOMOX 等嵌入式平台上实现的基于模型的方法的典型算法管道由三个组件组成（参见图 6）：1）异常值检测，2）预测步骤和 3）过滤步骤。

图 6. 基于模型的嵌入式平台方法。

在异常值检测期间，与系统状况的实际估计相去甚远的传感器数据要么被部分加权，要么在进一步处理中被完全取出。通过这种方式，实现了更稳健的数据处理。

在预测步骤中，当前系统条件随时间更新。这是在描述未来系统状况预测的概率系统模型的帮助下完成的。这种概率系统模型通常来自确定性系统方程，该方程描述了未来系统条件对当前系统条件以及其他输入参数和干扰的依赖性。在这里考虑的工业机器人状态监测示例中，这将是单个关节臂的动态方程，它只允许在任何时间点的特定运动方向。

在过滤步骤中，预测的系统条件然后用给定的测量值进行处理，从而更新条件估计。有一个等效于系统方程的测量方程，它使系统条件和测量之间的关系可以用公式来描述。对于此处考虑的位置估计，这将是加速度计和陀螺仪数据与传感器在空间中的精确位置之间的关系。

数据驱动和基于模型的方法的结合对于某些应用来说是可以想象和有利的。例如，基于模型的方法的基础模型的参数可以通过数据驱动的方法确定或动态适应相应的环境条件。此外，基于模型的方法中的系统条件可以是数据驱动方法的特征向量的一部分。然而，所有这些在很大程度上取决于各自的应用程序。

前面提到的算法流水线在 iCOMOX 上实施，并评估了工业机器人末端执行器中的精确动态姿态估计。加速度计和陀螺仪数据分别以 200 Hz 的采样率作为输入数据。iCOMOX 安装在工业机器人的末端执行器上，并确定了由位置和方向组成的姿态。结果如图 7 所示。如图所示，直接计算会导致非常快速的反应，但也会导致大量噪声和大量异常值。实践中常用的 IIR 滤波器会产生非常平滑的信号，但它对真实姿势的跟踪效果很差。相比之下，

图 7. 嵌入式平台上的精确动态角度估计。与直接计算和 IIR 滤波相比，所实现的算法表现出更好的性能。

结论

理想情况下，通过相应的本地数据分析，人工智能算法还应该能够自行决定哪些传感器与各自的应用相关，以及哪种算法最适合它。这意味着平台的智能可扩展性。目前，必须为各自的应用找到最佳算法仍然是主题专家，尽管此处使用的 AI 算法已经可以以最小的实施工作量进行扩展，以用于机器状态和结构健康监测的各种应用。

嵌入式 AI 还应就数据质量做出决定，如果数据质量不理想，则为传感器和整个信号处理找到并做出最佳设置。如果将几种不同的传感器模式用于融合，则可以通过使用 AI 算法来弥补某些传感器和方法的弱点和缺点。通过这种方式，提高了数据质量和系统可靠性。如果 AI 算法将传感器归类为与相应应用程序不相关或不太相关，则可以相应地限制其数据流。

Shiratech Solutions、Arrow 和 Analog Devices 的开放式嵌入式平台 iCOMOX 可通过 Arrow 获得，其中包含一个免费软件开发套件和大量用于加速原型创建、促进开发和实现原创想法的硬件和软件示例项目。可以使用多传感器数据融合和嵌入式人工智能来创建一个强大且可靠的智能传感器无线网状网络，用于基于状态的监控。有了它，大数据在本地变成了智能数据。

审核编辑：郭婷