Превращение больших данных в интеллектуальные данные с помощью встроенного ИИ

Приложения Индустрии 4.0 генерируют огромный объем сложных данных - больших данных. Увеличивающееся количество датчиков и, в целом, доступных источников данных делает виртуальное представление машин, систем и процессов еще более подробным. Это, естественно, увеличивает потенциал для создания добавленной стоимости по всей цепочке создания стоимости. В то же время, однако, продолжает возникать вопрос, как именно можно извлечь это значение. В конце концов, системы и архитектуры для обработки данных становятся все более сложными. Только при наличии актуальных, высококачественных и полезных данных - интеллектуальных данных - можно реализовать связанный с этим экономический потенциал.

Проблемы

Сбор всех возможных данных и их хранение в облаке в надежде, что они позже будут оценены, проанализированы и структурированы - широко распространенный, но не особенно эффективный подход к извлечению ценности из данных. Потенциал для создания добавленной стоимости из данных остается недостаточно используемым, и поиск решения в более позднее время становится более сложным. Лучшей альтернативой является предварительное рассмотрение, чтобы определить, какая информация имеет отношение к приложению и где в потоке данных информация может быть извлечена. Образно говоря, это означает уточнение данных, то есть создание интеллектуальных данных из больших данных для всей цепочки обработки. Решение о том, какие алгоритмы ИИ имеют высокую вероятность успеха на отдельных этапах обработки, может быть принято на уровне приложения. Это решение зависит от граничных условий, таких как доступные данные, тип приложения, доступные параметры датчика и справочная информация о физических процессах нижнего уровня.

(Источник изображения:Analog Devices, Inc.)

Для отдельных этапов обработки правильная обработка и интерпретация данных чрезвычайно важны для получения реальной добавленной стоимости из сигналов датчиков. В зависимости от приложения может быть сложно правильно интерпретировать дискретные данные датчика и извлечь желаемую информацию. Временное поведение часто играет роль и напрямую влияет на желаемую информацию. Кроме того, часто необходимо учитывать зависимости между несколькими датчиками. Для сложных задач простых пороговых значений и определенной вручную логики или правил уже недостаточно.

Алгоритмы AI

Напротив, обработка данных с помощью алгоритмов искусственного интеллекта позволяет автоматически анализировать сложные данные датчиков. Благодаря этому анализу, желаемая информация и, следовательно, добавленная стоимость автоматически получаются из данных в цепочке обработки данных.

Для построения модели, которое всегда является частью алгоритма искусственного интеллекта, существует два основных подхода.

Один из подходов - моделирование с помощью формул и явных отношений между данными и желаемой информацией. Эти подходы требуют наличия физической справочной информации в форме математического описания. Эти так называемые подходы, основанные на моделях, объединяют данные датчиков с этой фоновой информацией, чтобы получить более точный результат для желаемой информации. Самый известный пример - фильтр Калмана.

Если данные, но не справочная информация, которую можно было бы описать в форме математических уравнений, доступны, то необходимо выбрать так называемые подходы, основанные на данных. Эти алгоритмы извлекают желаемую информацию прямо из данных. Они охватывают весь спектр методов машинного обучения, включая линейную регрессию, нейронные сети, случайный лес и скрытые марковские модели.

Выбор метода искусственного интеллекта часто зависит от имеющихся знаний о приложении. Если доступны обширные специализированные знания, ИИ играет более вспомогательную роль, а используемые алгоритмы довольно рудиментарны. Если экспертных знаний нет, используемые алгоритмы ИИ намного сложнее. Во многих случаях именно приложение определяет оборудование и, следовательно, ограничения для алгоритмов ИИ.

Встроенная, пограничная или облачная реализация

Полная цепочка обработки данных со всеми алгоритмами, необходимыми на каждом отдельном этапе, должна быть реализована таким образом, чтобы можно было создать максимально возможную добавленную стоимость. Внедрение обычно происходит на общем уровне - от небольшого датчика с ограниченными вычислительными ресурсами через шлюзы и периферийные компьютеры до больших облачных компьютеров. Понятно, что алгоритмы не должны быть реализованы только на одном уровне. Скорее, обычно более выгодно реализовать алгоритмы как можно ближе к датчику. Таким образом, данные сжимаются и уточняются на ранней стадии, а затраты на связь и хранение снижаются. Кроме того, благодаря раннему извлечению важной информации из данных разработка глобальных алгоритмов на более высоких уровнях становится менее сложной. В большинстве случаев алгоритмы из области потоковой аналитики также полезны для предотвращения ненужного хранения данных и, следовательно, высоких затрат на передачу и хранение данных. Эти алгоритмы используют каждую точку данных только один раз; то есть полная информация извлекается напрямую, и данные не нужно хранить.

Обработка алгоритмов ИИ на периферии (то есть встроенного ИИ) требует встроенного микроконтроллера с аналоговыми и цифровыми периферийными устройствами для сбора, обработки, управления и связи. Процессор также должен иметь возможность собирать и обрабатывать данные локально в режиме реального времени, а также иметь вычислительные ресурсы для выполнения современных интеллектуальных алгоритмов искусственного интеллекта. Например, ADuCM4050 от Analog Devices основан на архитектуре ARM Cortex-M4F и обеспечивает интегрированный энергосберегающий подход к встроенному ИИ.

Внедрение встроенного ИИ выходит далеко за рамки микроконтроллера. Чтобы ускорить проектирование, многие производители микросхем создали платформы для разработки и оценки, такие как EV-COG-AD4050LZ. Эти платформы объединяют микроконтроллеры с такими компонентами, как датчики и ВЧ-трансивер, что позволяет инженерам исследовать встроенный ИИ, не становясь экспертами в различных технологиях. Эти платформы являются расширяемыми, что позволяет разработчикам работать с различными датчиками и другими компонентами. Например, экран EV-GEAR-MEMS1Z позволяет инженерам быстро оценивать различные технологии MEMS, такие как серия ADXL35x, в том числе ADXL355, используемая в этом экране, обеспечивает превосходное устранение вибраций, долгосрочную воспроизводимость и низкий уровень шума в небольшой форме. фактор.

Комбинация платформ и экранов, таких как EV-COG-AD4050LZ и EV-GEAR-MEMS1Z, дает инженерам доступ в мир контроля состояния конструкций и состояния машин на основе анализа вибрации, шума и температуры. При необходимости к платформе могут быть подключены другие датчики, чтобы используемые методы искусственного интеллекта могли лучше оценить текущую ситуацию с помощью так называемого объединения данных с несколькими датчиками. Таким образом, различные условия эксплуатации и неисправности могут быть классифицированы с большей детализацией и большей вероятностью. Благодаря интеллектуальной обработке сигналов на платформе большие данные становятся локальными интеллектуальными данными, в результате чего на периферию или в облако необходимо отправлять только данные, относящиеся к конкретному случаю приложения.

Платформенный подход также упрощает обмен данными, поскольку для различных видов беспроводной связи доступны экраны. Например, EV-COG-SMARTMESH1Z сочетает в себе высокую надежность и надежность, а также чрезвычайно низкое энергопотребление с протоколом связи 6LoWPAN и 802.15.4e, который предназначен для большого количества промышленных приложений. IP-сеть SmartMesh состоит из хорошо масштабируемой, самоформирующейся многозвенной сети беспроводных узлов, которые собирают и ретранслируют данные. Сетевой менеджер отслеживает и управляет производительностью и безопасностью сети, а также обменивается данными с хост-приложением.

В частности, для беспроводных систем мониторинга состояния с батарейным питанием встроенный искусственный интеллект может реализовать полную добавленную стоимость. Локальное преобразование данных датчика в интеллектуальные данные с помощью алгоритмов искусственного интеллекта, встроенных в ADuCM4050, приводит к меньшему потоку данных и, как следствие, меньшему энергопотреблению, чем в случае прямой передачи данных датчика на границу или в облако.

Приложения

Платформы разработки алгоритмов искусственного интеллекта, включая разработанные для них алгоритмы искусственного интеллекта, имеют очень широкий спектр приложений в области мониторинга машин, систем, структур и процессов, который простирается от простого обнаружения аномалий до сложной диагностики неисправностей. Использование встроенных акселерометров, микрофона и датчика температуры обеспечивает такие возможности, как мониторинг вибрации и шума от различных промышленных машин и систем. Встроенный AI может использоваться для обнаружения состояний процесса, повреждения подшипников или статора, отказа управляющей электроники и даже неизвестных изменений в поведении системы из-за повреждения электроники. Если доступна прогнозная модель для определенных повреждений, эти повреждения можно даже спрогнозировать на местном уровне. Благодаря этому на ранней стадии можно принять меры по техническому обслуживанию и, таким образом, избежать ненужных отказов из-за повреждений. Если прогностической модели не существует, платформа также может помочь экспертам в данной области последовательно изучить поведение машины и со временем построить комплексную модель машины для профилактического обслуживания.

В идеале, посредством соответствующего анализа локальных данных, встроенные алгоритмы искусственного интеллекта должны иметь возможность решать, какие датчики подходят для соответствующего приложения и какой алгоритм для него лучше всего. Это означает умную масштабируемость платформы. В настоящее время именно эксперт в данной области должен найти лучший алгоритм для соответствующего приложения, хотя алгоритмы ИИ уже можно масштабировать с минимальными усилиями по реализации для различных приложений мониторинга состояния машины.

Встроенный ИИ также должен принять решение относительно качества данных и, если оно неадекватно, найти и выполнить оптимальные настройки для датчиков и всей обработки сигнала. Если для объединения датчиков используются несколько различных модальностей датчиков, алгоритм AI может компенсировать недостатки определенных датчиков и методов. Благодаря этому повышается качество данных и надежность системы. Если алгоритм ИИ классифицирует датчик как минимально релевантный для приложения, его поток данных может быть соответствующим образом ограничен.

Открытая платформа COG от ADI содержит свободно доступный комплект для разработки программного обеспечения и многочисленные примеры проектов аппаратного и программного обеспечения для ускорения создания прототипов, облегчения разработки и реализации оригинальных идей. Благодаря слиянию мультисенсорных данных (EV-GEAR-MEMS1Z) и встроенному ИИ (EV-COG-AD4050LZ) можно создать прочную и надежную беспроводную ячеистую сеть (SMARTMESH1Z) интеллектуальных датчиков.