机器学习与工业物联网构建多系统复杂模型

在资源受限的嵌入式设计领域，团队正普遍面临一个核心难题：如何才能比竞争对手更快、更优地服务目标客户？答案日益指向机器学习（ML）与深度学习（DL）这两大技术。它们使设计师能够借助数据驱动的方法，快速构建复杂系统的模型，从而大幅减少传统物理建模中繁琐的手工步骤。

ML和DL算法的核心理念是“从数据中学习”——它们不再依赖基于物理的数学模型来描述系统行为，而是直接从采集到的数据中推断出模型。当数据量较小且问题复杂度不高时，传统ML算法即可胜任，例如简单的异常检测或分类任务。

然而，面对真正的大规模问题呢？比如自动驾驶汽车，其数据量级与复杂度均截然不同。这时就需要深度学习技术登场。可以说，深度学习将推动控制设计及工业物联网（IIoT）应用迈入一个全新的纪元。

机器学习在工业资产中的当前应用

先来了解ML在工业资产状态监测中的实际落地情况。借助机器学习，基于条件的监控从传统的被动式、预防性维护，转型为预测性维护的新阶段。具体而言，这些技术被用于检测异常行为、诊断故障，甚至预测电机、泵、涡轮机等资产的剩余使用寿命。

开发并部署一个基于ML的工作流程大致如图1所示。

图1. 使用机器学习的分析工作流程

以监测电机运行状况为例。数据来自多种传感器：加速度计、热电偶、电流传感器等。特征工程通常分为两步：特征提取与特征缩减（图2）。

图2. 特征工程

特征提取是从原始数据（波形）中提炼出有用信息，用以判断资产健康状态。例如，电机电流信号的频谱中嵌着故障信息——图3展示了频谱中不同频带的平均幅度如何被用作特征。不过，多个传感器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

此时就需要特征缩减方法（例如主成分分析PCA）来减少最终用于建模的特征数量。特征数量降低后，ML模型的复杂度也相应减小。最终得到的特征向量会送入模型创建步骤中的ML算法。

机器学习的类型

模型创建与验证是一个反复迭代的过程。你需要尝试多种ML算法，然后选出最适配当前应用的那一个。无监督算法（例如高斯混合模型GMM）适合对电机的正常行为建模，一旦电机开始偏离基线，算法就能检测出异常。无监督方法的优势在于，无需标记数据即可发现隐藏模式。

不过，检测异常只是第一步；要诊断异常原因，还需依靠有监督算法。有监督算法的输入包含成对的输入数据和期望输出（即标记数据）。算法学习从输入到输出的映射函数。训练数据中既包含正常状态下的特征，也包含故障状态下的特征，并用明确的标签标识。支持向量机（SVM）、逻辑回归、人工神经网络都是常用的监督学习算法。

传统ML技术有一个绕不开的瓶颈：特征提取过程。这需要领域专家耗费大量精力去手工设计，常常成为整个工作流中的薄弱环节。

向深度学习工作流程迈进

这正是深度学习算法近来广受欢迎的原因——它彻底省去了特征工程这一步骤。从传感器采集的原始数据可以直接输入DL算法，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，其灵感来源于生物神经网络的结构。这些算法由一组分层组织的互连计算节点（人工神经元）构成。第一层是输入层，与原始信号对接；最后一层是输出层，输出预测或决策。在两者之间，是一个或多个隐藏层（图5）。每一层的输出通过加权连接传递到下一层的节点。网络通过不断调整这些权重来学习输入与输出之间的映射。正因为拥有多个隐藏层，DL算法能够自动从输入数据中“学习”出所需的特征——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

深度学习在IIoT应用中取得突破，得益于几个技术条件的成熟：硬件计算能力的提升、大规模标记训练数据的积累、学习算法和网络初始化方面的突破，以及开源软件框架的普及。下面聊聊设计时几个关键的考虑因素。

拓扑

DL领域日新月异，目前有多种网络拓扑活跃在研究和应用中。以下是对控制和监控IIoT应用特别有潜力的几种：

深度神经网络（DNN）——拥有多个隐藏层的全连接人工神经网络。它们是非常出色的函数逼近器，可用于电力电子控制等场景。你可以用系统的仿真模型来构建基于深度网络的控制器，同时生成训练数据。这样就能探索那些用传统方法难以控制的边界/拐角状态。

卷积神经网络（CNN）——专门设计来利用输入信号的二维结构（比如图像或语音频谱）。CNN由卷积层（滤波层）和全连接的多层神经网络组成。它们在成像缺陷检测、物体识别方面表现优异，也用于高级驾驶辅助系统（ADAS）中的场景理解。

循环神经网络（RNN）——基于利用序列（历史）信息进行预测的算法。非常适合时间序列分析。传统神经网络假设输入输出在时间上是独立的，但RNN会记录状态信息，把过去的信息用于下一次预测。在IIoT中，RNN善于学习历史行为并预测未来事件，例如资产的剩余使用寿命（RUL）。长短期记忆（LSTM）网络尤其适合这类任务。

深度强化学习（DRL）——用于设计在复杂动态环境中运行的自适应控制系统。例如仓库中的机器人，需要动态适应新任务。基于强化学习的控制器通过试错学习——执行靠近目标的动作会获得奖励。控制器从摄像头接收机器人手臂位置的图像，从中学习如何移动手臂接近目标。训练可以在机器人模拟器上进行，也可以通过观察实际机器人的动作来完成。

训练

DNN需要大量训练数据，最好覆盖所有可能的状态或条件。但实际应用中，大多数数据来自系统正常工作状态，故障状态的数据往往很少。数据增强技术可以缓解这种不平衡——从现有小样本出发，通过变换生成合成的额外版本。另外，你也可以用系统仿真模型来创造训练数据。

还有一个挑战是收集数据集本身的难度。迁移学习是一个有效手段：从预训练的神经网络开始（大多数DL框架都提供现成的完整模型），然后用你自己的数据对其微调。

硬件

训练深度网络的计算需求极高。GPU几乎是训练阶段的标配——高计算性能、大内存、高带宽，加上丰富的编程工具，使GPU成为首选。到了部署阶段，FPGA则是很好的目标：低延迟、高能效、确定性强，特别适合用在嵌入式设备上，为那些需要与I/O紧密循环的控制系统提供支撑。

软件

深度学习迅速普及，很大程度上得益于成熟软件框架的涌现。常见的包括TensorFlow、Caffe、Keras、CNTK（计算网络工具包）等。它们支持Windows、Linux等操作系统，以及Python、C++等语言。大多数框架都提供了实现最新DL网络的示例，也支持在GPU上训练。

深度学习：工业物联网控制设计的新方向

DL是人工智能领域一个令人兴奋的新方向，也是解决下一代工业控制设计问题的一项有前途的技术。要快速入门，不妨下载一个前面提到的开源框架，动手尝试那些教程示例。找一个和你应用场景相近的例子，利用迁移学习，很快就能上手。

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：机器学习与工业物联网构建多系统复杂模型要求：
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