智慧感測器: 運用AI從大數據邁向智慧資料

作者: ADI 平台及方案總監Dzianis Lukashevich 與 Knowtion 執行長Felix Sawo


工業4.0應用產生了大量的複雜資料 – 亦即大數據。持續增加的感測器以及資料來源,使得包括機器、系統、流程其監控視圖的結構也變得越來越精細。這也促使整個價值鏈達到產生更多價值的潛力。然而,究竟要如何發掘出價值 ? 這項問題也變得越來越難解答 – 畢竟用來處理資料的系統和架構也越來越複雜。只有透過具關聯性、高品質、有用處的資料 – 亦即智慧資料 – 才能發掘出涉及到的經濟潛力。

各種挑戰

蒐集所有可能資料並儲存在雲端,待日後再進行評估、分析、以及結構化,這是目前各界廣泛採納,但對於用來從資料中擷取價值,卻不特別有效的方法。從資料產生附加價值的潛力迄今仍有待開發; 在之後階段尋找解決方案則會變得更加複雜。較理想的替代作法,是盡早判斷什麼資訊和應用有關聯,以及要在資料流中擷取什麼資訊。換個方式來說,這意謂提煉資料,也就是從整個處理鏈的大數據萃取出智慧資料。判斷哪些AI演算法在個別處理步驟中有較高的成功機率,這樣的決策可以在應用層面執行,而且取決於多種邊界條件,像是可用的資料、應用類型、可用的感測器模態、以及較低階實體流程的背景資訊。

在個別處理步驟中,正確處理與解讀資料非常重要,其攸關是否能從感測器訊號中擷取出真正的附加價值。依據應用的種類,我們可能不容易正確解讀個別感測器資料,以及擷取出所要的資訊。在這方面,其中一個重點就是暫時性行為,它們會直接影響我們想得到的資訊。此外,我們必須經常考量到各感測器之間的相關性。在一些複雜任務中,光是用簡單的門檻值以及人工判斷邏輯或規則,已不足以應付當前的需求。

AI 演算法

相較之下,藉由AI演算法處理資料,系統即能自動分析複雜的感測器資料。透過這樣的分析程序,即可獲得希望得到的資訊,而附加價值也會在資料處理鏈中和資料一起自動浮現。

一向是AI演算法一部分的模型建構,基本上分成兩種不同方法。其中一種建模法是運用公式陳述資料與所要資訊之間的關係。這類方法需要有數學式形態的物理背景資訊。這些所謂的模型方法,在結合感測器資料以及這種背景資訊後,就能對想獲得的資訊產生更精準的結果。最常見的例子就是卡爾曼濾波法(Kalman filter)。

倘若我們能以數學公式型態描述資料,但無法描述背景資訊,那麼就必須選用所謂的資料驅動(data-driven)法。這類演算法會直接從資料擷取出所要的資訊。過程中包含所有種類的機器學習方法,包括線性回歸、類神經網路、隨機森林、以及隱藏式馬可夫(hidden Markov)模型等。

挑選AI方法通常是根據目前對應用掌握的知識。倘若已經有完備的專業知識,AI就能扮演更具支持力的角色,而演算法的功用則比較初階。但若是尚未積累專業知識,那麼AI演算法的應用就複雜許多。在許多情況中,這樣的應用除了會定義硬體的內涵,還會對AI演算法形成許多限制。

嵌入式、邊界、或雲端

在每個步驟中需要的整體資料處理鏈,其建置方式必須能產生最高的附加價值。建置一般都屬於整體層面 – 從內含有限運算資源的小型感測器,經過閘道器與邊界電腦,一直到大型雲端電腦。顯然演算法不應只建置在單一層面。通常較有利的作法,是將演算法盡量建置在靠近感測器的位置,如此一來即可在早期階段對資料進行壓縮與整理,從而降低通訊與儲存的成本。此外,早期從資料擷取出關鍵的資訊中,用到的較高層面全域演算法所涉及到的研發工作也比較簡單。在大多數情況中,串流分析(streaming analytic)採用的演算法也能避免不必要的資料儲存,進而省下資料傳輸和儲存的成本。這些演算法對每個資料點(data point)只會用到一次,因此會直接擷取出完整資訊,因此也就沒必要儲存資料。

內含AI演算法的嵌入式平台

ADI旗下以ARM® Cortex® -M4F處理器為基礎的微控制器ADuCM4050是一款省電的整合式微控制器系統,內建電源管理功能,以及類比與數位週邊裝置,支援資料擷取、處理、控制、以及連結功能。這些特色讓它適合執行本地端處理,以及運用尖端智慧型AI演算法對資料進行早期的精確化處理。

EV-COG-AD4050LZ是一款超低功耗開發與評估平台,其可支援ADI旗下陣容完備的感測器、微控制器、以及HF收發器系列元件。EV-GEAR-MEMS1Z屏蔽元件主要設計用來評估ADI旗下各種MEMS技術; 舉例來說,如ADXL35x 系列包括了ADXL355在內,運用於這種屏蔽元件中能提供卓越的震動校正功能、長期重複性、低雜訊性能、以及微型尺寸等特性。而EV-COG-AD4050LZ 與EV-GEAR-MEMS1Z的組合,則能用在涉及震動/雜訊/溫度分析的結構健康與機器狀態監控。若有需要,其他感測器也能連到COG平台,藉由各種AI方法,以及透過所謂的多重感測器資料融合,對當前情況提供更好的推測。透過這種方法,我們就能在更好的細分度與更高的準確率下針對各種運作與失效狀況加以分類。藉由在COG平台上進行智慧訊號處理,大數據會就地變成智慧資料,而且只須把和應用有關聯的資料傳送到網路邊界或雲端。

COG平台針對無線通訊納入額外的屏蔽機制。舉例來說,EV-COG-SMARTMESH1Z除了結合高可靠度與強固性,還藉由支援6LoWPAN 與802.15.4e通訊協定帶來的超低功耗,而支援種類眾多的工業應用。SmartMesh® IP 網路由高擴充性、自組網(self-forming)的多跳點(multihop)網狀拓撲無線節點構成,這些節點負責蒐集與轉傳資料。網路管理員負責監視與管理網路效能、安全、以及host端應用的資料交換。

在以電池供電的無線狀態監視系統中,嵌入式AI特別能實現完整的附加價值。嵌入在ADuCM4050的AI演算法能在元件內將感測器資料轉換成智慧資料,因此相較於感測器資料直接傳送到網路邊界或雲端的模式,傳送的資料流以及耗電都會減少。

各種應用

COG開始平台,內含為此平台開發的各種演算法,已涵蓋許多種類的應用,包括監視機器、系統、結構、以及流程,從簡單的偵測異常狀況一直到複雜的故障診斷。整合包括加速計、麥克風、以及溫度感測器等元件,這樣的組合還能用來監視各種工業機器和系統的震動以及噪音。流程狀態、軸承或定子損壞、電子控制元件失效、甚至電子元件損毀導致系統行為出現未知的變化,這些狀況都可透過嵌入式AI偵測出來。若業界已針對特定損壞發展出預測模型,那麼這些損壞甚至能靠本地端的元件就能預測出來。藉由這種方法,我們就能在早期階段執行各種維護措施,防範因出現不必要的元件損壞導致系統失效。倘若尚未建立預測模型,COG平台也能協助領域專家學習機器的行為,長期下來即可推演出機器的模型,作為預測維護的參考依據。

總結

理想的狀況下,透過相對應的本地端資料分析,嵌入式AI演算法應能判斷哪些感測器和特定應用有關聯,以及最適合採用的演算法。這代表的就是平台的智慧擴充性。然而,即使人類現已廣泛運用各種AI演算法,僅須簡單的建置流程就能用在各種不同應用,執行機器狀態監控,不過目前仍須由領域技術專家為目標應用找出最佳演算法。

此外,嵌入式AI還具備判斷資料品質的能力,或是針對感測器以及整個訊號處理程序找出與執行最佳化的設定。若是融合多種不同型態的感測器,還可運用AI演算法來彌補某些感測器與方法的優點。如此一來,資料品質以及系統的可靠度都能獲得提升。倘若AI演算法判定感測器的分類和應用完全無關或沒有太多關聯性,系統就會截斷資料流。

ADI的COG開放平台內含免費軟體開發套件以及眾多範例專案檔,協助加快硬體與軟體的原型製作、促成開發、以及實現原創設計理念。透過多重感測器資料融合(EV-GEAR-MEMS1Z) 以及嵌入式AI (EV-COG-AD4050LZ),建構出連結智慧型感測器的強固且可靠之無線網狀拓撲(SMARTMESH1Z))網路。