分析驱动的嵌入式系统

物联网 （IoT） 的目标是从各种嵌入式系统中获取数据，并对这些数据进行分析处理，以提高性能、效率和业务成果。在设计分析驱动的嵌入式系统的三部分系列的第一部分中，回顾了物联网数据采集和预处理的最佳实践。

分析驱动的嵌入式系统就在这里。创建处理大量业务和工程数据的分析的能力使许多行业的设计师能够开发智能产品和服务。设计人员可以使用分析来描述和预测系统的行为，并进一步将分析与嵌入式控制系统相结合，以实现行动和决策的自动化。

在一些实施方式中，分析在云中执行以提高嵌入式系统性能。Borislav Savkovic 是一名受过培训的控制系统工程师，他在BuildingIQ领导了一个团队设计一个使用分析来降低能耗的建筑气候控制系统。该系统以千兆字节的工程和业务数据开始。工程数据来自功率计、温度计、压力传感器和其他 HVAC 传感器。业务数据来自天气预报、实时能源价格和需求响应数据。在分析驱动的系统中，该团队使用信号处理来消除噪声，使用机器学习来检测尖峰，使用控制理论来解释加热和冷却动态，并使用数百个参数进行多目标优化。BuildingIQ 云服务中运行的分析可调整建筑物的 HVAC 嵌入式系统。结果：分析驱动的系统可将商业建筑的能耗降低多达 25%。

在其他情况下，分析直接在嵌入式系统本身中运行。瑞典卡车制造商斯堪尼亚的设计团队将分析嵌入到他们的紧急制动系统中，以提供实时碰撞避免，以减少事故并满足严格的欧盟法规。来自摄像头和雷达的工程数据被实时处理以进行物体检测和道路标记检测，随后融合以发出碰撞警告警报和自动制动请求。通过详尽的测试和验证来确保系统的安全性和可靠性，包括测试场景创建、使用模拟和记录数据进行系统建模以及硬件在环 （HIL） 测试。

这两个示例突出了设计人员在开发分析驱动系统时使用的步骤：

预处理/处理海量数据

开发分析算法

实时运行分析和控制

将分析与传感器和嵌入式设备以及可能的其他非嵌入式资源（例如 IT 系统和云）集成

我们将在本部分中介绍预处理，以及第二部分和第三部分中的其余步骤。

访问数据

开发分析的第一步是访问大量可用数据以探索模式并获得更深入的见解。数据集不仅规模大，而且可以来自许多不同的来源并代表许多不同的属性。因此，您用于探索性分析和分析开发的软件工具应该能够访问您计划使用的所有数据源和格式。文件类型可能包括文本、电子表格、图像、音频、视频、地理空间、Web 和 XML。您可能还需要特定于应用程序的数据格式，例如用于科学数据的通用数据格式 （CDF） 或分层数据格式 （HDF），以及用于汽车数据的 CAN。您还应该能够从存储点和生成点访问数据，例如：

存储数据：数据库、数据仓库、分布式文件系统和 Hadoop 大数据系统

设备数据：例如存储在分布式控制系统 （DCS）、监控和数据采集系统 （SCADA） 和可编程逻辑控制器 （PLC） 中的实时和历史工厂数据

物联网设备：包括传感器、本地集线器或云数据聚合器

预处理数据

一个关键步骤是在开发预测模型之前进行数据清理和准备。例如，数据可能有缺失或错误的值，或者可能使用不同的时间戳格式。来自错误数据的预测可能难以调试，或者更糟的是，可能导致影响系统性能和可靠性的不准确或误导性预测。常见的预处理任务包括：

清理有错误、异常值或重复的数据

通过丢弃、过滤或插补处理缺失数据

使用先进的信号处理技术从传感器数据中去除噪声

使用不同的采样率合并和时间对齐数据

预处理的另一个重要部分是数据转换和归约。这里的目标是找到数据中最具预测性的特征，并过滤不会增强分析模型预测能力的数据。一些常见的技术包括：

特征选择以减少高维数据

用于降维的特征提取和变换

信号、图像和视频处理等领域分析

越来越需要在传感器或嵌入式设备本身上进行更多的数据预处理和还原。造成这种情况的原因有很多，但最突出的两个要求是低功率和速度。许多智能设备需要在不充电的情况下长时间运行。最昂贵的电力消耗之一是使用无线通信将数据发送到服务器或云分析引擎。由于流式传输所有原始传感器数据的成本可能高得令人望而却步，因此良好的系统设计应该进行本地预处理，并且只上传有用信息或预测信号本身。速度通常是最重要的，因为任何实时系统的价值都是互连系统提供的及时响应。

BuildingIQ 和 Scania 是捕获和预处理工程数据并将其与传统业务数据相结合以开发分析驱动系统的挑战和成功方法的好例子。

在这三部分系列的第二部分中，我们将介绍高级分析算法，例如机器学习和深度学习，并展示软件工具如何使领域专家能够实时开发和运行分析和规范控制。

审核编辑：郭婷