利用嵌入式AI讓大數據變得更智慧

作者 : Dzianis Lukashevich、Felix Sawo

工業4.0應用產生了大量的複雜資料——大數據(big data)。隨著用於資料處理的系統和架構變得越來越複雜,只有在使用相關、優質且有用的資料,也就是智慧資料,才能挖掘出相關的經濟潛力…

工業4.0應用產生了大量的複雜資料——大數據(big data)。一般而言,感測器和可用的資料來源越來越多,機器、系統和流程的虛擬視圖就必須更加詳細。這自然地提高了在整個價值鏈上產生加值作用的潛力。但與此同時,有關如何發掘這種價值的問題不斷出現。畢竟,用於資料處理的系統和架構變得越來越複雜了。唯有使用優質且有用的相關資料,也就是智慧資料,才能發掘有關的經濟潛力。

挑戰

收集所有可能的資料並將其儲存在雲端,期望在日後對其進行評估、分析和建構使用,仍然是廣泛採用的作法,但這對於挖掘資料價值並不是特別有效。從資料中挖掘附加價值的潛力目前仍然未被充分利用,而且等到以後再尋找解決方案會變得更加複雜。更好的替代方法是儘早考慮確定哪些資訊與應用相關,以及可以在資料流程的哪個位置提取資訊。舉例來說,這表示「精煉」資料,即為整個處理鏈的大數據中提取出智慧資料。一般來說,在應用層決定哪些人工智慧(AI)演算法進行單個處理步驟的成功概率較高。這個決定取決於邊界條件,如可用資料、應用類型、可用感測器模型以及有關實體層處理的背景資訊等。

針對獨立的處理步驟,正確的處理和解讀數據,對於從感測器訊號產生真正的附加價極其重要。根據應用的不同,正確解讀分散的感測器資料並提取所需的資訊可能很困難。時間行為通常能夠發揮作用,並直接影響所需的資訊。此外,還必須經常考慮多個感測器之間的依存關係。簡單的閾值和手動確定的邏輯已不足以因應如此複雜的任務了。

 AI演算法

相較之下,透過AI演算法進行資料處理可以自動分析複雜的感測器資料。透過這種分析,可從資料處理鏈中的資料自動獲得所需的資訊,進而實現附加價值。

對於始終屬於AI演算法之一部份的模型建構,基本上有兩種不同的方法。其一是透過公式、感測器資料與所需資訊之間的顯性關係進行建模。這些方法需要以數學描述的形式提供實體背景資訊。這些所謂基於模型的方法結合了感測器資料及其背景資訊,從而為所需的資訊產生更精確的結果。在這方面最廣為人知的示例就是卡爾曼(Kalman)濾波器。

如果有了資料,但卻沒能以數學等式的形式描述背景資訊,那麼就必須選擇所謂的資料驅動方法。這些演算法直接從該資料中提取所需的資訊。它們包含所有的機器學習方法,如線性回歸、神經網路、隨機森林和隱性馬可夫(Markov)模型。

選擇哪一種AI演算法通常取決於應用的現有知識。如果擁有廣泛的專業知識,AI將發揮更大的支持作用,並使用最基本的演算法。如果缺少專業知識,那麼所使用的AI演算法可能會更複雜。在很多情況下是由應用來定義硬體,但也因此限制了AI演算法。

嵌入式、邊緣或雲端實現

 整個資料處理鏈包括每一個步驟中所需的所有演算法,必須以能夠盡可能產生附加價值的方式實現。通常在總體層級實現——從具有有限運算資源的小型感測器、閘道和邊緣電腦,再到大型雲端電腦。很明顯地,這些演算法不應該只在一個層級上實現,盡可能地接近感測器實現演算法通常會更有利。透過這種方式,可以在早期階段對資料進行壓縮和精煉,並降低通訊和儲存成本。

此外,透過早期從資料中提取基本資訊,在更高層級開發全域演算法就沒那麼複雜。在大多數情況下,串流分析區域中的演算法也有助於避免不必要的資料儲存,由此降低資料傳輸和儲存成本。這些演算法只使用每個數據點一次;也就是說,直接提取完整資訊,而且無需儲存資料。

在邊緣(如嵌入式AI)處理AI演算法需要採用嵌入式處理器、類比和數位周邊裝置,以實現資料擷取、處理、控制和連接。處理器還需要能夠即時擷取和處理本地資料,以及擁有執行先進智慧AI演算法的運算資源。例如,ADI的ADuCM4050基於ARM Cortex-M4F架構,提供了整合且節能的方法來嵌入AI。

實施嵌入式AI並不只是單純地採用微控制器(MCU)。為了加快設計,許多晶片製造商都建構了開發和評估平台,例如EV-COG-AD4050LZ。這些平台將MCU與感測器和高頻(HF)收發器等元件結合在一起,讓工程師無需深度掌握多種技術,就能探索嵌入式AI。

這些平台還可加以擴展,讓開發人員能使用不同的感測器和其他元件。例如,使用EV-GEAR-MEMS1Z擴展板,工程師能夠快速評估不同的MEMS技術,例如,該擴展板中使用的ADXL35x系列(包括ADXL355)可在小外形中提供出色的振動校正、長期可重複性以及低雜訊性能。

平台和擴展板(如EV-COG-AD4050LZ和EV-GEAR-MEMS1Z)的組合讓工程師能夠基於振動、雜訊和溫度分析來瞭解結構健康狀況,以及實施機器狀態監控。其他感測器也可根據需要連接到平台,以便所使用的AI方法得以經由所謂的多感測器資料融合更有效地估計當前的情況。如此一來,即可使用更好的粒度和更高的概率,對各種運作和故障情況進行分類。透過平台上的智慧訊號處理,大數據在本地就變成智慧資料,使得只有與應用案例相關的資料才會發送至邊緣或雲端。

該平台方法還可以簡化通訊,因為擴展板可用於實施不同的無線通訊。例如,EV-COG-SMARTMESH1Z具有高可靠性、耐用度以及極低功耗等特性,支援適合大量工業應用的6LoWPAN和802.15.4e通訊協定。SmartMesh IP網路由負責採集和中繼資料的無線節點之高度可擴展、自成型多跳Mesh網路組成。網路管理器監控並管理網路性能及安全性,並與主機應用交換資料。

特別是對於電池供電的無線狀態監控系統,嵌入式AI可實現完整附加價值。透過ADuCM4050中嵌入的AI演算法將感測器資料在本地轉換為智慧資料,與直接將感測器資料傳輸到邊緣或雲端相較,資料流程更低,因此功耗也更低。

應用

 AI演算法開發平台(包括為其開發的AI演算法)廣泛應用於機器、系統、結構和流程控制領域,從簡單的異常檢測擴展到複雜的故障診斷。透過整合的加速度計、麥克風和溫度感測器,可以實現多種功能,例如監測來自各種工業機器和系統的振動和雜訊。嵌入式AI可用於檢測過程狀態、軸承或定子的損壞、控制電子設備的故障,甚至是因電子設備損壞而導致的未知系統行為變化等。

如果有了適用於特定損壞的預測模型可用,那麼也就可以在本地預測到這一類的損壞。透過這種方法,可以在早期階段採取維護措施,從而避免不必要的損壞故障。如果不存在可用的預測模型,透過平台還有助於專家持續瞭解機器的行為,並隨著時間的推移,得出一個用於預測維護的完整機器模型。

在理想的情況下,透過相應的本地資料分析,嵌入式AI演算法能夠確定哪些感測器與各自的應用相關,以及哪種演算法最適合它。這意味著平台具有智慧可擴展性。目前,儘管只需對各種機器狀態監控應用進行少量實施作業,即可擴展AI演算法,但各領域的專家仍然必須為各自應用找到理想的演算法。

嵌入式AI還應該對資料的品質作出決定,如果資料品質不佳,就為感測器和整個訊號處理找到並進行相應設置。如果採用多種不同的感測器模式進行融合,則使用AI演算法可彌補某些感測器和方法的不足。透過這種方式,可提高資料品質和系統可靠性。如果感測器被AI演算法歸類為與應用不太相關,那麼就會相應地限制其資料流程。

本文作者:

Dzianis Lukashevich,ADI平台與方案總監

Felix Sawo,Knowtion執行長

(本文同步刊登於《電子工程專輯》雜誌2020年9月號;參考原文: Turning big data into smart data with embedded AI)

掃描或點擊QR Code立即加入 “EETimes技術論壇” Line 群組 !

 EET-Line技術論壇-QR

發表評論