Использование встроенного ИИ для превращения Big Data в действенные Smart Insights

Индустрия 4.0 генерирует беспрецедентные объёмы сложных сенсорных данных — так называемые big data. С тысячами сенсоров и всё расширяющимися потоками данных цифровая репрезентация машин, систем и процессов становится всё более гранулированной. Эта гранулярность открывает новую ценность по всей цепочке создания стоимости, но извлечение этой ценности остаётся серьёзным вызовом. Ключ — в трансформации сырых объёмных данных в высококачественную действенную информацию — smart data — приносящую осязаемые экономические выгоды.

Вызовы

Конвенциональный подход — собирать каждую точку данных, хранить в облаке, потом ретроспективно анализировать — неэффективен и часто неэффективен. Накопление неструктурированных данных ведёт к недOUSEлованным инсайтам и усложняет будущие решения. Более стратегический подход начинается у источника: идентифицировать, какая информация действительно релевантна приложению, и определить, где в потоке данных она должна извлекаться. Фактически это означает фильтрацию и уточнение big data в smart data по всей цепочке обработки. Решения о самых перспективных AI-алгоритмах для каждого шага должны приниматься на уровне приложения, учитывая доступные данные, сенсорные модальности и знание базовых физических процессов.

AI-алгоритмы

AI-драйвенная обработка данных автоматизирует анализ сложных сенсорных потоков, извлекая желаемую информацию и генерируя ценность в реальном времени.

Существует две широкие семьи AI-моделей:

• Модельно-ориентированные методы опираются на явные математические отношения между входами и выходами. Они интегрируют сенсорные данные с физическим background knowledge, давая высокоточные результаты. Классический пример — фильтр Калмана.
• Данно-ориентированные методы обучаются напрямую из данных, когда подходящей математической модели нет. Спектр включает линейную регрессию, нейросети, random forests, скрытые марковские модели.

Выбор подхода зависит от глубины domain knowledge. Когда экспертная экспертиза изобилует, достаточно простых алгоритмов. Когда знания escas — нужны более сложные, data-centric модели. Само приложение часто диктует железные ограничения, формирующие feasible AI-алгоритмы.

Встраиваемая, Edge и Cloud реализация

End-to-end цепочка обработки данных должна быть оркестрована для максимизации ценности. Реализация обычно охватывает от resource-constrained сенсоров до мощных облачных серверов. Развёртывание алгоритмов близко к сенсору — на edge — даёт несколько преимуществ: ранняя компрессия данных, снижение коммуникационных и storage costs, упрощение higher-level алгоритмов. Streaming analytics техники могут дополнительно устранить необходимость хранить сырые данные, извлекая полный информационный контент на лету.

Исполнение AI на edge (embedded AI) требует микроконтроллера, объединяющего аналогово/цифровую аквизицию, real-time обработку, контроль и связность. Он также должен поддерживать state-of-the-art AI модели. Analog Devices ADuCM4050 на базе ARM Cortex-M4F ядра даёт энергоэффективную интегрированную платформу для embedded AI.

Ускорение дизайна облегчается evaluation kits кремниевых вендоров. Например, EV-COG-AD4050LZ комбинирует ADuCM4050 с сенсорами, HF-трансивером и модульными shields, позволяя быстрый прототипинг без глубокой экспертизы в множестве доменов. Щит EV-GEAR-MEMS1Z позволяет инженерам тестировать MEMS акселерометры вроде ADXL355, известные превосходной вибрационной изоляцией, долгосрочной повторяемостью и низким шумом в компактном форм-факторе.

Эти комбинации платформы и щитов открывают дверь к структурному здоровью и мониторингу состояния машины на основе анализа вибрации, шума и температуры. Мультисенсорный data fusion дополнительно уточняет оценку системных состояний, улучшая точность классификации рабочих и faulty условий. Умная сигнальная обработка на платформе превращает big data в smart data локально, так что только релевантная информация передаётся на edge или в облако.

Коммуникация стримлайнится dedicated wireless shields. EV-COG-SMARTMESH1Z, например, поддерживает 6LoWPAN и 802.15.4e, давая высокую надежность, низкое потребление и self-forming multihop mesh, подходящий для промышленных развёртываний. SmartMesh IP сеть мониторится network manager, обеспечивающим производительность, безопасность и бесшовный обмен данными с хост-приложениями.

Для battery-operated систем condition-monitoring embedded AI драматически снижает трафик данных — и поэтому потребление — конвертируя сырой сенсорный поток в smart data до передачи.

Приложения

Платформы разработки AI-алгоритмов — вместе с предоставляемыми AI-моделями — покрывают широкий спектр сценариев мониторинга машин, систем, структур и процессов. От простого anomaly detection до сложной fault diagnostics, интегрированные акселерометры, микрофоны и температурные сенсоры позволяют мониторить вибрации, шум и тепловые сигнатуры по разным промышленным активам.

Embedded AI может детектировать процессные состояния, износ подшипников или статора, отказы control-электроники, непредвиденные поведенческие изменения из-за электронного ущерба. Когда существуют предиктивные модели, система может локально предсказывать надвигающиеся отказы, позволяя превентивное обслуживание, избегающее costly downtime. В отсутствие предиктивных моделей платформа может помочь domain experts итеративно изучать поведение машины и строить комплексные предиктивные модели со временем.

Идеально локальный анализ данных должен автономно определять, какие сенсоры и алгоритмы наиболее релевантны для каждого приложения, обеспечивая smart scalability. Сейчас subject-matter experts всё ещё выбирают оптимальный алгоритм, хотя embedded AI может масштабироваться с минимальными усилиями по разным machine-condition-monitoring use-case.

Embedded AI может также оценивать качество данных в реальном времени, автоматически настраивая сенсорные настройки и signal-processing pipelines. В мультисенсорных fusion сценариях AI компенсирует недостатки отдельных модальностей, повышая общую надежность. Сенсоры, признанные маргинально релевантными, могут иметь свои потоки данных троттлены для экономии bandwidth.

Открытая COG платформа от Analog Devices предоставляет свободно доступный SDK и множество hardware/software примеров проектов, ускоряющих прототипинг и инновации. Комбинируя мультисенсорный data fusion (EV-GEAR-MEMS1Z), embedded AI (EV-COG-AD4050LZ) и robust wireless mesh (SMARTMESH1Z), инженеры могут развёртывать устойчивые, масштабируемые сенсорные сети с минимальными усилиями.