智能传感器：从大数据到人工智能智能数据

作者：Felix Sawo and Dzianis Lukashevich

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使机器、系统和过程的虚拟视图变得更加详细。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，关于如何精确提取此值的问题不断出现 - 毕竟，数据处理的系统和架构变得越来越复杂。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，这是一种从数据中提取价值的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充分利用;以后找到解决方案变得更加复杂。更好的替代方法是尽早考虑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，这意味着完善数据;也就是说，从大数据中为整个处理链制作智能数据。可以在应用程序级别决定哪些 AI 算法在各个处理步骤中具有很高的成功概率。此决定取决于边界条件，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。时间行为通常起着作用，并对所需信息产生直接影响。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或规则已不再足够。

人工智能算法

相比之下，通过AI算法进行数据处理可以自动分析复杂的传感器数据。通过这种分析，从数据处理链中的数据中自动获得所需的信息，从而获得附加值。

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。

一种方法是通过公式和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。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。这里最广为人知的例子是卡尔曼滤波器。

如果有数据，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。这些算法直接从数据中提取所需的信息。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。

AI 方法的选择通常取决于有关应用程序的现有知识。如果有广泛的专业知识，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，使用的人工智能算法要复杂得多。在许多情况下，是应用程序定义了硬件，并通过它定义了AI算法的限制。

嵌入式、边缘或云实施

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。实施通常发生在整体层面 - 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，实现尽可能靠近传感器的算法通常更有利。通过这样做，可以在早期阶段压缩和优化数据，并降低通信和存储成本。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;即直接提取完整的信息，不需要存储数据。

采用 AI 算法的嵌入式平台

ADI基于ARM Cortex -M4F处理器的微控制器ADuCM4050是一款节能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外设。所有这些都使其成为本地数据处理和利用最先进的智能 AI 算法早期细化数据的良好候选者。®®

EV-COG-AD4050LZ是一款超低功耗开发和评估平台，适用于ADI公司的完整传感器、微控制器和HF收发器产品组合。EV-GEAR-MEMS1Z 扩展板主要（但不仅限于）设计用于评估 ADI 的各种 MEMS 技术;例如，该扩展板中使用的ADXL35x系列（包括ADXL355）以小尺寸提供出色的振动校正、长期可重复性和低噪声性能。EV-COG-AD4050LZ 和 EV-GEAR-MEMS1Z 的组合可用于进入基于振动、噪声和温度分析的结构健康和机器状态监测领域。其他传感器也可以根据需要连接到COG平台，以便所使用的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COG平台上的智能信号处理，大数据在本地成为智能数据，只需要将与应用案例相关的数据发送到边缘或云端即可。

COG平台包含用于无线通信的附加屏蔽。例如，EV-COG-SMARTMESH1Z 将高可靠性和鲁棒性以及极低的功耗与 6LoWPAN 和 802.15.4e 通信协议相结合，可满足大量工业应用的需求。SmartMesh IP 网络由高度可扩展、自形成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。®

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实现全部附加值。与将传感器数据直接传输到边缘或云相比，ADuCM4050中嵌入的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

COG开发平台，包括为其开发的AI算法，在机器，系统，结构和过程的监控领域具有非常广泛的应用，从简单的异常检测到复杂的故障诊断。例如，通过集成的加速度计、麦克风和温度传感器，可以监控来自不同工业机器和系统的振动和噪声。嵌入式AI可以检测到过程状态，轴承或定子损坏，控制电子设备的故障，甚至系统行为的未知变化，例如由于电子设备损坏。如果预测模型可用于某些损害，则甚至可以在本地预测这些损害。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，COG 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。

结论

理想情况下，通过相应的本地数据分析，嵌入式AI算法应该能够确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，仍然是主题专家必须为相应的应用程序找到最佳算法，尽管我们使用的AI算法已经可以以最少的实现工作量扩展到机器状态监测的各种应用程序。

嵌入式人工智能还应该对数据质量做出决定，如果数据质量不足，则为传感器和整个信号处理找到并做出最佳设置。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缺点。通过这种方式，可以提高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。

ADI的开放式COG平台包含免费提供的软件开发套件和大量硬件和软件示例项目，用于加速原型创建、促进开发和实现原创想法。通过多传感器数据融合（EV-GEAR-MEMS1Z）和嵌入式人工智能（EV-COG-AD4050LZ），可以创建强大可靠的智能传感器无线网状网络（SMARTMESH1Z）。

审核编辑：郭婷