如何利用嵌入式AI将大数据转变为智能数据

2020年5月12日

在工业4.0的实践中，一个长期困扰从业者的问题是：数据量不断增长，但真正能被有效利用的又有多少？传感器网络日益密集，机器、系统与流程的虚拟模型也愈发精细——这听起来是积极进展，因为意味着在整个价值链中挖掘附加值的潜力更大了。然而，随之而来的挑战是：如何将这种潜力转化为实际收益？毕竟，数据处理系统与架构本身的复杂度也在持续攀升。最终的关键在于，唯有那些真正相关、高质量且可用的数据——即所谓的“智能数据”——才能释放出对应的经济价值。

挑战

很多企业采取“先存再分析”的做法——将所有能收集到的数据一股脑儿上传至云端，期待后续再做处理。遗憾的是，这种策略效率较低。数据中的附加值潜力远未被充分挖掘，而且事后补救往往会发现解决方案比预想的复杂得多。更明智的做法是，从一开始就明确：哪些信息对实际应用真正有用？在数据流的哪个环节提取这些信息最为合适？这就像沿着一条完整的数据处理流水线，逐步将“大数据”提炼为“智能数据”。在应用层面，可以决定哪些AI算法对某个处理步骤的成功概率更高。这一决策取决于当时的边界条件，例如可用数据的类型、应用场景、传感器型号，以及对物理层处理的预先理解。

（图片来源：ADI公司）

对于每个独立的数据处理步骤而言，正确地处理和解读数据，是从传感器信号中创造真正附加值的核心。不同应用场景下，解读单个传感器数据并提取所需信息的难度差异很大。时间行为往往在其中扮演关键角色，直接影响最终提取的信息。更复杂的是，很多时候还需考虑多个传感器之间的相互依赖关系。到了这个层面，简单的阈值判断或手工规则已无法满足需求。

AI算法

相比之下，利用AI算法处理数据，能够自动分析这些复杂的传感器信息。通过这种自动分析，可以直接从数据处理链中获取所需信息，进而创造附加值。

在构建模型——即AI算法的核心部分时，主要有两条技术路线。一种是通过公式、传感器数据与目标信息之间明确的数学关系来建模。这种方法需要以数学公式的形式提供关于物理过程的背景信息，能够将传感器的实测数据与已有理论知识相结合，得到更精确的结果。最典型的例子是卡尔曼滤波器。另一种是“数据驱动”方法。如果手头仅有数据，缺乏足够清晰的物理背景或数学描述，那就需要走这条路。这些算法直接从原始数据中提取我们需要的信息。所有机器学习方法都属于这个范畴，包括线性回归、神经网络、随机森林、隐式马尔可夫模型等。

选择哪种AI算法，很大程度上取决于你对应用场景的熟悉程度。如果你对这个领域有深刻理解，AI更多起到辅助和增强作用，所用的算法本身可能并不复杂。反之，如果专业认知相对有限，则需要更复杂的AI算法来弥补。很多时候，最终选用什么算法还得看硬件平台能支持到什么程度——因为应用场景往往先于算法定义了硬件的边界。

嵌入式、边缘或云实现

一个完整的数据处理链，包含每一步所需的全部算法，其终极目标是以最高效的方式创造附加值。这个链条通常横跨多个层级：从计算资源有限的小型传感器，到网关和边缘计算机，再到云端的大型服务器。但关键在于，算法不应只在某一个层级上实现。实际上，越是靠近传感器端，处理数据的优势就越明显。在数据产生的早期阶段进行压缩和提炼，能显著降低通信与存储成本。而且，在早期就提取出数据中的基本信息，会让更高层级上的复杂算法开发工作变得简单不少。流分析领域中的算法在这方面尤其出色，它们往往能避免不必要的数据存储，直接提取完整信息，而无需囤积原始数据。

在终端设备（即嵌入式AI）上运行AI算法，需要合适的嵌入式处理器，以及配套的模拟和数字外设，来完成数据采集、处理、控制和通信。这个处理器还得具备实时捕获本地数据的能力，以及足够的计算资源来执行复杂的AI算法。例如ADI的ADuCM4050，基于ARM Cortex-M4F架构，为嵌入式AI提供了一种集成且节能的实现方案。

不过，实现嵌入式AI远不止选个微控制器那么简单。为加速开发，许多芯片厂商推出了现成的开发与评估平台，例如EV-COG-AD4050LZ。这类平台将微控制器、传感器、射频收发器集于一体，让工程师无需成为所有领域的专家，也能快速尝试嵌入式AI技术。而且这些平台具备可扩展性，开发人员可以根据需要接入不同的传感器或外设。以EV-GEAR-MEMS1Z扩展板为例，工程师通过它能快速评估不同的MEMS技术，比如板上的ADXL35x系列加速度计，在很小的体积内提供了出色的振动校正、长期稳定性和低噪声性能。

平台和扩展板（如EV-COG-AD4050LZ与EV-GEAR-MEMS1Z）的组合，使工程师能够基于振动、噪声和温度分析来了解结构健康状况，实现机器的预测性维护。如果需要，还可以接上其他传感器，利用多传感器数据融合技术，更精准地估计系统当前的状态。这样一来，就能以更高的概率和更细粒度，对各种运行状态和故障类型进行分类。通过平台上的智能信号处理，大数据在本地就变成了智能数据，只有与应用相关的关键信息才会被传送到边缘或云端。

平台化的方法还让通信变得简单。不同功能的扩展板可以支持不同的无线通信技术。例如EV-COG-SMARTMESH1Z实现了高可靠性、鲁棒性和极低功耗的无线网络，支持6LoWPAN和802.15.4e通信协议，非常适合工业应用。它由高度可扩展、自组织的多跳Mesh网络组成，网络管理器则负责监控和管理整个网络的性能与安全性。

对于那些依赖电池供电的无线状态监控系统，嵌入式AI的价值尤其突出。通过ADuCM4050内嵌的AI算法将传感器数据在本地转换为智能数据，相比把所有原始数据直接发送到云端或边缘，数据流量大大降低，功耗自然也显著下降。

应用

这些AI算法开发平台（及其上开发的各种算法）已在机器、系统、结构和过程控制领域大展拳脚，从简单的异常检测到复杂的故障诊断都能胜任。通过集成的加速度计、麦克风和温度传感器，可以监测工业机器和系统的振动与噪音。嵌入式AI能够识别出过程状态的变化、轴承或定子的磨损、控制系统的故障，甚至是一些由硬件老化引发的未知行为变化。如果已经建立了针对特定损坏类型的预测模型，甚至可以在设备本地就预测到故障的发生。这样一来，就能在早期阶段安排维护，避免因设备损坏导致的非计划停机。就算没有现成的预测模型，这个平台也能帮助领域专家持续学习机器的行为模式，随着时间的推移，构建出一个全面的机器模型，最终实现预测性维护。

理想情况下，一个成熟的嵌入式AI算法应能通过分析本地数据，判断哪些传感器对当前应用是有效的，以及哪种算法最适合处理这些数据。换句话说，平台应具备“智能可扩展性”。目前，找到最适合特定应用的算法，仍需要算法专家来完成。不过，好消息是，在机器状态监控领域，许多算法经过少量调整就能在不同的应用场景中复用。

嵌入式AI还有一项重要任务：对数据的质量做出判断。如果数据质量不佳，算法应为传感器和整个信号处理链路找到合适的补偿或设置。当融合多种不同的传感器模式时，AI算法还能弥补某个单独传感器或某种分析方法的短板，从而提升整体数据质量和系统可靠性。如果AI算法判断某个传感器与当前应用的相关性不大，就能相应地调整或降低它的数据流，避免无效数据的干扰。

ADI的开放式COG平台提供了免费的软件开发套件，以及大量软硬件示例项目，可以帮助开发人员快速完成原型创建，加速从设想到产品的过程。通过多传感器数据融合（EV-GEAR-MEMS1Z）和嵌入式AI（EV-COG-AD4050LZ）的组合，就能构建出可靠、稳健的无线智能传感器Mesh网络（SMARTMESH1Z）。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：如何利用嵌入式AI将大数据转变为智能数据要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题