深入剖析Xilinx Zynq的前沿优势

赛灵思 PYNQ 框架能在 Zynq 产品系列中实现对 Python 语言及运行时的全面支持与集成。直接在 Zynq SoC 架构上利用 Python 的生产力优势，用户能够充分发挥可编程逻辑和微处理器的长处，更容易为人工智能、机器学习和信息技术应用构建设计。

摘 要  

从工程设计、科研、数据科学、机器学习、信息技术到人工智能，Python 开源编程语言已经成为各类应用中的不成文标准。

当在嵌入式应用中使用现代片上系统 (SoC) 时，就能够运行 Python 执行复杂的分析算法，其性能接近台式机工作站，但外形尺寸显著缩小，功耗要求也显著降低。通过预处理从传感器读取的数据，赛灵思 Zynq 产品系列大幅度提高性能和确定性，同时降低时延。

这种被称为 PYNQ 框架方案，能从应用处理器有效卸载不必要占用处理器带宽的大量重要但重复的操作。这种卸载功能对于满足工业物联网中边缘应用提高的智能需求有重要意义。

嵌入式计算的新范例  

在IIoT中搜索机器学习  

工业物联网解决方案越来越多地在边缘纳入嵌入式智能。对于众多应用而言，这意味着机器学习推断的实现。实现后，ML 算法会利用其经验，根据一套输入数据得出结论。在 ML 中，经验可通过名为培训的学习过程来获得。ML 应用的培训可使用下列两种方法之一执行：(1) 人工监督或 (2) 实现判断功能。两种方法都需要将由正反例构成的大数据集应用于 ML 网络。在 ML 算法得到充分培训后，就能将其部署在工业物联网边缘，根据新输入和未知输入进行推断。

PYNQ 框架  

赛灵思 Zynq-7000 SoC 包含用来为现代 SoC 提供不成文标准特性的双核 Arm Cortex-A9 处理器系统 (PS) 和可编程逻辑 (PL)，同时它还提供独特的高度差异化灵活性，支持将关键任务卸载到PL 。Zynq UltraScale+ MPSoC 和 Zynq UltraScale+ RFSoC 使用四核 Arm Cortex-A53 PS、PL 和其他特定部件型号的处理块进一步扩展这一模型。

图2 - 与典型 SoC 相比 Zynq 产品系列的优势

图3 - PYNQ 框架中不断提高的抽象水平

传感器和测量系统  

传感器是任何工业系统，尤其是工业物联网解决方案的关键组成部分。从简单的温度测量热电偶，到结合多个异构传感器的用来测量特定物理量的复杂传感器融合，工业物联网解决方案采用多种不同的传感器模态。在工业物联网解决方案中实现 ML，有助于开发人员让给定传感器发挥出最佳性能，同时提高下列操作的效率。

传感器诊断  

因为老化原因，传感器性能在整个工作寿命期间会发生变化。传感器在恶劣环境中使用时尤其如此，此时老化会影响可靠性，并带来偏离和偏差问题。此外，如果将传感器用于安全应用，传感器诊断功能同样极为有用；在此情况下，正确的诊断流程也是安全系统的组成部分。（更多详情，敬请点击“阅读原文”，下载白皮书）

预测性维护案例  

用于诊断与安全的滚珠轴承故障检测

封装材料行业已经认识到“全面生产维护”作为提高设备可靠性的积极方法体系的重要意义。逐渐发生的轴承失效是行业故障最主要的原因之一。因此，尽早地检测这些故障对确保可靠高效的运营而言至关重要。单个包装机往往就装有 8 部以上的电动机和众多主轴，存在可能导致生产线停运的多个故

图4 - 故障检测与电动机控制

审核编辑：黄飞