机器学习和工业物联网构建一个或多个系统的复杂模型

为了比竞争对手更好地为目标客户服务，当今的嵌入式设计团队正在研究机器学习 （ML） 和深度学习 （DL） 等新技术。ML 和 DL 使这些设计人员能够以有限的资源更快地开发和部署复杂的机器和设备。借助这些技术，设计团队可以使用数据驱动的方法构建一个或多个系统的复杂模型。

ML 和 DL 算法不是使用基于物理的模型来描述系统的行为，而是从数据中推断出系统的模型。当要处理的数据量相对较小且问题的复杂性较低时，传统的 ML 算法很有用。

但是对于更多数据的更大问题，比如自动驾驶汽车呢？这一挑战需要深度学习技术。这种新兴技术将推动我们进入控制设计和工业物联网 （IIoT） 应用的下一个时代。

机器学习在工业资产中的当前应用

首先，考虑机器学习技术在工业资产状态监测中的应用。ML 帮助将基于条件的监控应用程序从反应性和预防性维护时代转变为预测性维护时代。这些技术被用于检测异常行为、诊断问题，并在一定程度上预测电机、泵和涡轮机等工业资产的剩余使用寿命。

基于 ML 开发和部署模型的工作流程如图 1 所示。

图 1.使用机器学习的分析工作流程

了解如何使用此工作流程来监控电机的运行状况。数据是从多种类型的传感器收集的，例如加速度计、热电偶和连接到电机的电流传感器。特征工程步骤通常由两部分组成：特征提取和特征缩减（图 2）。

图 2.特征工程

特征提取用于从原始数据（或波形）中获取有用信息，以了解资产的健康状况。例如，来自电机的电流信号的频谱中嵌入了可用于检测故障的信息，如图 3 所示。频谱中不同频带的平均幅度可以用作从当前信号。从多个传感器中提取的特征可能包含冗余信息。

图 3.从电机电流信号中提取特征

可以使用诸如主成分分析 （PCA） 之类的特征减少方法来减少最终用于构建模型的特征数量。减少特征的数量会降低要使用的 ML 模型的复杂性。减少的特征集表示为一个向量（或数组），并输入到模型创建步骤中使用的 ML 算法中。

机器学习的类型

模型创建和验证是一个迭代过程，您可以通过该过程尝试多种 ML 算法并选择最适合您的应用程序的算法。无监督 ML 算法，例如高斯混合模型 （GMM），可用于对电机的正常行为进行建模，并检测电机何时开始偏离其基线。无监督方法有利于发现数据中的隐藏模式，而无需标记数据。

虽然无监督技术可用于检测电机异常，但需要有监督算法来检测异常原因。在监督方法中，算法以输入数据对和所需输出的形式呈现。该数据称为标记数据。该算法学习将输入映射到输出的函数。用于训练 ML 算法的数据包括在正常和故障条件下提取的特征。使用表示电机状态的标签清楚地识别这些特征。支持向量机 （SVM）、逻辑回归和人工神经网络是常用的监督机器学习算法。

传统机器学习技术的一个挑战是特征提取过程。这是一个需要领域专家知识的脆弱过程，通常是 ML 工作流程中的失败点。

向深度学习工作流程迈进

DL 算法最近受到欢迎，因为它们消除了对特征工程步骤的需求。从传感器获取的数据（原始测量）可以直接输入到 DL 算法中，如图 4 所示。

图 4.深度学习工作流程

深度学习算法基于人工神经网络。人工神经网络学习算法的灵感来自于生物神经网络的结构和功能方面。这些算法以分层组织的一组互连的计算节点（人工神经元）的形式构成。第一层被称为输入层，它与输入信号或数据接口。最后一层是输出层，这一层的神经元输出最终的预测或决策。

在输入层和输出层之间，有一个或多个隐藏层（图 5）。一层的输出通过加权连接连接到下一层的节点。网络通过修改这些权重来学习输入和输出之间的映射。通过使用多个隐藏层，DL 算法可以学习需要从输入数据中提取的特征，而无需将特征显式输入到学习算法中。这被称为“特征学习”。

图 5.前馈人工神经网络

使用深度学习技术进行设计

深度学习最近在 IIoT 应用中取得成功，主要是因为技术组件时代的到来，例如硬件计算能力的增强、标记训练数据的大型存储库、学习算法和网络初始化的突破，以及开源软件框架的可用性。

以下是使用深度学习技术设计系统的一些主要考虑因素。

拓扑

DL 是一个不断发展的领域，目前正在使用许多网络拓扑。其中一些显示出控制和监控 IIoT 应用前景的网络是：

深度神经网络 （DNN）是具有许多隐藏层（因此很深）的完全连接的人工神经网络。这些网络是出色的函数逼近器，例如，可用于电力电子控制应用。

您尝试控制的系统的仿真模型可用于使用深度网络构建控制器，以及生成训练数据。有了这个，您可以探索使用传统方法通常难以控制的状态（边界/拐角条件）。

卷积神经网络 （CNN）旨在利用输入信号的二维结构，例如输入图像或语音信号。卷积网络由一个或多个卷积层（过滤层）组成，然后是一个全连接的多层神经网络。

这些网络在成像缺陷检测和物体识别等问题上取得了成功。它们还用于高级驾驶辅助系统 （ADAS） 中的场景理解。

循环神经网络 （RNN）基于利用顺序（或历史）信息进行预测的算法。这些网络非常适合时间序列分析。传统的神经网络假设所有输入（和输出）在时间或到达顺序上相互独立。RNN 记录状态信息，其中存储有关过去的信息，并使用到目前为止计算的信息进行下一次预测。

在 IIoT 应用中，RNN 有利于学习历史行为并使用它来预测未来的事件，例如资产的剩余使用寿命 （RUL）。长短期记忆 （LSTM） 网络非常适合这类应用。

深度强化学习 （DRL）有利于设计在复杂动态环境中运行的自适应控制系统。

考虑控制部署在仓库操作中的机器人，其中机器人必须动态适应新任务。基于强化学习的控制器通过执行使他们更接近目标的动作而获得的奖励来学习任务。例如，控制器从摄像头接收显示机器人手臂当前位置的图像，并使用图像中的信息来学习如何将手臂移近目标。可以使用机器人模拟器或通过观察实际机器人的动作来训练基于 DL 的控制器。

训练

DNN 需要大量训练数据，最好包括来自网络需要学习的所有不同状态或条件的数据。对于大多数应用程序，可用数据主要来自系统的正常工作状态，以及来自其他状态的少量数据采样。

数据增强是一种用于改善数据不平衡的技术，您可以从现有的小样本集开始，并通过转换数据来创建额外的合成版本。您还可以使用系统的模拟模型来创建训练数据。

另一个挑战是难以收集训练这些网络所需的大量数据。迁移学习是您可以用来缓解此问题的一种方法。使用迁移学习，您可以从预训练的神经网络开始（大多数 DL 软件框架提供完全训练的模型，您可以下载）并使用应用程序中的数据对其进行微调。

硬件

训练深度网络具有巨大的处理要求。GPU 已成为训练深度网络的主要选择。由于高计算性能、大内存、高内存带宽和编程工具的选择，GPU 很有吸引力，几乎是训练的必需品。

此外，FPGA 是部署经过训练的网络的良好目标。FPGA 提供更低的延迟、更好的电源效率和确定性，特别是用于将这些网络部署在嵌入式设备上，用于在 I/O 的紧密循环中运行的控制系统。

软件

深度学习迅速采用和成功的一个原因是成熟软件框架的可用性。一些常见的有 TensorFlow、Caffe、Keras 和计算网络工具包 （CNTK）。这些框架支持不同的操作系统，如 Windows 和 Linux，以及 Python 和 C++ 等语言。这些框架中的大多数都具有实现最新 DL 网络的支持或示例。它们还支持在 GPU 上学习。

深度学习：工业物联网控制设计的新方向

DL 是人工智能中一个令人兴奋的新方向，也是解决工业控制设计应用中下一代问题的有前途的技术。

开始使用 DL 的一种快速方法是下载前面提到的一个开源框架并试验教程示例。从一个与您的应用程序类似的示例开始，并使用迁移学习快速开始操作。

审核编辑：郭婷