采用AI算法的嵌入式传感器平台—从大数据到智能数据的本地

工业 4.0 应用会产生大量复杂数据——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、系统和过程的虚拟视图更加详细。这自然增加了在整个价值链中产生附加值的潜力。然而，与此同时，关于如何精确提取这种潜力的问题不断出现——毕竟，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。只有使用相关、高质量和有用的数据——智能数据——才能展现相关的经济潜力。

挑战

收集所有可能的数据并将其存储在云中，希望以后对其进行评估，分析和结构化，仍然是一种普遍但不是特别有效的方法。从数据中产生附加值的潜力仍未得到利用;以后寻找解决方案变得更加复杂和昂贵。更好的替代方法是尽早进行概念考虑，以确定哪些信息与应用程序相关，以及信息在数据流中的哪个位置可以提取。形象地说，这意味着提炼数据，例如，从大数据中为整个处理链制作智能数据。在应用程序级别，已经可以决定哪些AI算法在单独的处理步骤中具有很高的成功概率。这取决于边界条件，例如可用数据、应用类型、可用传感器模式以及有关较低级别物理过程的背景信息。

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中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，并对所需的信息产生直接影响。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，或者无法自动适应不断变化的环境条件。

嵌入式、边缘还是云 AI 实施？

整个数据处理链以及每个步骤所需的所有算法必须以这样一种方式实现，以便能够产生尽可能高的附加值。实施通常发生在各个级别 - 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。很明显，算法不应该只在一个层面上实现。相反，在大多数情况下，实现尽可能靠近传感器的算法更有利。通过这种方式，数据在早期阶段被压缩和提炼，并降低了通信和存储成本。此外，通过早期从数据中提取基本信息，在更高级别开发全局算法就不那么复杂了。在大多数情况分析领域的算法也可用于避免不必要的数据存储，从而避免高数据传输和存储成本。这些算法仅使用每个数据点一次;例如，直接提取完整的信息，不需要存储数据。

用于基于状态的监控的嵌入式平台

Shiratech Solutions、Arrow 和 ADI 公司的基于 ARM Cortex-M4F 处理器的开放式嵌入式平台 iCOMOX 是一款极其省电的集成微控制器系统，具有集成电源管理功能，以及用于数据采集、处理、控制和连接的模拟和数字传感器以及外围设备。所有这些都使其成为本地数据处理和采用最先进的智能AI算法早期细化数据的非常好的候选者。®®

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领域。根据要求，该平台可以补充其他传感器模式，例如，ADI公司的陀螺仪，即使在具有高冲击和振动负载的环境中，也能精确测量转速（见图2）。iCOMOX中实施的AI方法可以通过所谓的多传感器数据融合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条件进行更好的粒度和更高的概率进行分类。通过iCOMOX中的智能信号处理，大数据成为智能数据，因此只需要将与应用案例相关的数据发送到边缘或云端。

图2.iCOMOX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 网络由高度可扩展、自形成/优化的无线节点多跳网组成，用于收集和中继数据。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 网络的智能路由会考虑连接质量、每个数据包事务的时间表以及通信链路中的多跳数，为每个单独的数据包确定最佳路径。®

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。与将原始传感器数据直接传输到边缘或云相比，通过嵌入在iCOMOX中的AI算法将传感器数据本地转换为智能数据可降低数据流，从而降低功耗。

应用范围

iCOMOX包括为其开发的AI算法，在监控机器、系统、结构和过程领域具有广泛的应用——从异常检测到复杂的故障诊断和立即启动故障消除。通过集成麦克风和加速度计、磁场传感器和温度传感器，iCOMOX 可以监控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。通过这种方式，可以在早期阶段采取维护措施，从而避免不必要的基于损坏的故障。如果不存在预测模型，嵌入式平台还可以帮助主题专家连续学习机器的行为，并随着时间的推移推导出用于预测性维护的机器综合模型。此外，iCOMOX还可用于优化复杂的制造工艺，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AI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，所需的信息以及由此产生的附加值会自动从数据处理链中的数据中获取。算法的选择通常取决于有关应用程序的现有知识。如果可以获得广泛的领域知识，人工智能将发挥更多的支持作用，并且使用的算法非常基本。如果没有专业知识，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，并通过它定义了算法的限制。

对于始终是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，但没有可以用数学方程式形式描述的背景信息，那么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）中提取所需的信息（智能数据）。它们涵盖了全方位的机器学习方法，包括线性回归、神经网络、随机森林和隐马尔可夫模型。

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

图3.嵌入式平台的数据驱动方法。

在数据预处理过程中，数据的处理方式使下游算法（尤其是机器学习算法）在尽可能短的时间内收敛到最佳解决方案。因此，必须使用简单的插值方法替换缺失的数据，同时考虑到时间依赖性和不同传感器数据之间的相互依赖性。此外，数据通过预白化算法进行修改，使它们看起来是相互独立的。因此，在时间序列中或传感器之间不再有线性依赖关系。主成分分析 （PCA）、独立成分分析 （ICA） 和所谓的白化过滤器是预白化的典型算法。

在特征提取期间，特征（也称为特征）派生自预处理的数据。加工链的这一部分在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，这里还不可能实现计算密集型的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——遗传算法将包含在其中。相反，对于低功耗的嵌入式平台（如iCOMOX），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为频域（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、查找 PCA 中最大的特征向量，或对原始传感器数据执行其他计算。还可以为不同的传感器选择不同的特征提取算法。因此，将获得包含来自所有传感器的所有相关特征的大型特征向量。

如果这个向量的维数超过一定大小，就必须通过降维算法来降维。可以简单地获取特定窗口内的最小值和/或最大值，也可以使用更复杂的算法，例如前面提到的PCA或自组织映射（SOM）。

只有在对数据进行完全预处理并提取与相应应用程序相关的特征之后，才能在嵌入式平台上最佳地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在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，即使是更复杂的神经网络，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，必须修改机器学习算法以及整个算法管道中前面提到的所有算法，以便直接处理传感器数据。每个数据点仅由算法使用一次;例如，直接提取所有相关信息，消除了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分析。

前面提到的算法流水线在iCOMOX上实现，并在两种不同的应用中评估了异常检测：交流电机的基于状态的监控和工业机器人的轨迹监控。两个应用程序的算法基本相同;只有参数化的区别在于，所考虑的时间间隔对于电机监控来说很短，而对于轨迹监测来说很长。通过硬件的限制，还对其余算法参数推导出了不同的值。采样率为1 kHz的加速度计和陀螺仪数据用作输入数据。对于电机状态监测，传声器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，都提供了加速度计和陀螺仪数据、局部派生的特征以及局部计算的异常指示器。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，新检测到的信号被学习算法在模型中考虑和更新。

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态估计

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显式关系进行建模。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该背景信息相结合，为所需信息产生更精确的结果。这里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）。过滤器的选择在很大程度上取决于相应的应用。

可以在嵌入式平台（如 iCOMOX）上实现的基于模型的方法的典型算法流水线由三个组件组成（参见图 6）：1） 异常值检测、2） 预测步骤和 3） 过滤步骤。

图6.面向嵌入式平台的基于模型的方法。

在异常值检测期间，与系统条件的实际估计值相去甚远的传感器数据要么进行分数加权，要么在进一步处理中完全取出。通过这种方式，可以实现更强大的数据处理。

在预测步骤中，当前系统状况会随时间更新。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某些运动方向。

在过滤步骤中，然后使用给定的测量值处理预测的系统状况，并因此更新条件估计值。有一个等效于系统方程的测量方程，可以在公式中描述系统条件和测量之间的关系。对于这里考虑的位置估计，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程序来说既是可以想象的，也是有利的。例如，基于模型的方法的基础模型参数可以通过数据驱动的方法确定，也可以动态适应相应的环境条件。此外，基于模型的方法的系统条件可以成为数据驱动方法的特征向量的一部分。但是，所有这些都在很大程度上取决于各自的应用。

前面提到的算法流水线是在iCOMOX上实现的，并在工业机器人末端执行器中评估了精确的动态姿态估计。采样率为200 Hz的加速度计和陀螺仪数据用作输入数据。iCOMOX连接到工业机器人的末端执行器上，并确定其姿势（包括位置和方向）。结果如图 7 所示。如图所示，直接计算会导致非常快的反应，但也会产生大量异常值的噪声。在实践中常用的IIR滤波器会产生非常平滑的信号，但它对真实姿势的跟随非常差。相比之下，这里介绍的算法会产生非常平滑的信号，其中估计的姿势非常精确和动态地跟随工业机器人末端执行器的运动。

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，实现的算法显示出更好的性能。

结论

理想情况下，通过相应的本地数据分析，AI算法还应该能够自行决定哪些传感器与相应的应用相关，哪种算法最适合它。这意味着平台的智能可扩展性。目前，必须为相应的应用程序找到最佳算法仍然是主题专家，即使这里使用的AI算法已经可以以最少的实现工作量扩展到机器状态和结构健康监测的各种应用程序。

嵌入式人工智能还应该就数据质量做出决定，如果数据质量不足，则找到并为传感器和整个信号处理进行最佳设置。如果使用几种不同的传感器模式进行融合，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。如果传感器被 AI 算法分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。

审核编辑：郭婷