智能传感器如何从大数据到人工智能智能数据的过渡发展

工业4.0应用程序将产生大量复杂的数据-大数据。越来越多的ADS7805PB传感器和通常可用的数据源使机器、系统和过程的虚拟视图更加详细。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，关于如何准确提取这个值的问题继续出现——毕竟，数据处理的系统和体系结构变得越来越复杂。只有使用相关、高质量和有用的数据-智能数据，才能显示相关的经济潜力。

挑战

收集所有可能的数据并将其存储在云中，希望在未来对其进行评估、分析和结构化。这是一种常见但不是特别有效的从数据中提取价值的方法。从数据中产生附加值的潜力尚未得到充分利用；在未来找到解决方案变得更加复杂。更好的选择是考虑确定哪些信息与应用程序相关，以及在数据流中可以提取哪个位置。从形象上讲，这意味着改进数据；换句话说，智能数据是从大数据中为整个处理链制作的。什么可以在应用程序级别上确定？AI该算法在每个处理步骤中都有很高的成功概率。这一决定取决于边界条件，如可用数据、应用类型、可用传感器模式和关于低级物理过程的背景信息。

对于每个处理步骤，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。根据不同的应用可能很难正确解释离散传感器数据并提取所需的信息。时间行为通常起作用，并直接影响所需的信息。此外，多个传感器之间的依赖关系必须经常考虑。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够。

人工智能算法

相比之下，通过AI数据处理算法可以自动分析复杂的传感器数据。通过这种分析，可以自动从数据处理链中的数据中获取所需的信息，从而获得附加值。

对于始终是AI基本上有两种不同的方法上有两种不同的方法。

一种方法是通过公式、数据和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背景信息结合起来，以产生更准确的结果。这里最著名的例子是卡尔曼滤波器。

如果有数据，但没有背景信息可以用数学方程式描述，则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。它们涵盖了线性回归、神经网络、随机森林和隐马尔可夫模型等全方位的机器学习方法。

AI方法的选择通常取决于现有关于应用程序的知识。如果有广泛的专业知识，人工智能将发挥更多的支持作用，所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，应用程序定义了硬件，并通过它进行了定义AI限制算法。

嵌入式、边缘或云实现

必须以这种方式实现整个数据处理链和每个步骤所需的所有算法，以产生尽可能高的附加值。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，缘计算机，再到大型云计算机。显然，算法不应该只在一个水平上实现。相反，实现尽可能接近传感器的算法通常更为有利。这样，可以在早期阶段对数据进行压缩和优化，并降低通信和存储成本。此外，在早期阶段从数据中提取基本信息在更高的水平上开发全局算法并不复杂。在大多数情况下，分析领域的算法也可以用来避免不必要的数据存储，从而避免高数据传输和存储成本。这些算法只使用每个数据点一次；也就是说，完整的信息是直接提取的，不需要存储数据。

采用AI嵌入式算法平台

ADI基于ARMCortex-M4F处理器的微控制器ADuCM4050是一个具有集成电源管理功能的节能集成微控制系统，以及用于数据采集、处理、控制和连接的模拟和数字外围设备。所有这些都使它成为本地数据处理和使用最先进的智能AI早期算法细化数据的好候选人。

EV-COG-AD4050LZ适用于超低功耗开发评估平台ADI公司的完整传感器、微控制器和HF收发器组合。EV-GEAR-MEMS1Z扩展板主要(但不限于)用于评估ADI的各种MEMS技术；例如，用于扩展板的ADXL35x系列（包括ADXL355)提供优秀的振动校正，长期可重复性和低噪声性能。EV-COG-AD4050LZ和EV-GEAR-MEMS1Z这种组合可以用来进入结构健康和机器状态监测领域，基于振动、噪声和温度分析。还可以根据需要连接其他传感器COG平台，便于使用AI通过所谓的多传感器数据融合，可以更好地估计当前的情况。这样，可以对各种操作和故障条件进行更好的粒度和更高的概率分类。通过COG对于平台上的智能信号处理，大数据在本地成为智能数据，只需将与应用案例相关的数据发送到边缘或云端即可。

COG平台包含一个额外的屏蔽，用于无线通信。EV-COG-SMARTMESH1Z高可靠性和鲁棒性，以及极低的功耗和6LoWPAN和802.15.4e结合通信协议，可以满足大量工业应用的需要。SmartMeshIP网络由高度可扩展的无线节点多跳网组成，用于收集和中继数据。网络管理器监控和管理网络性能和安全性，并与主机应用程序交换数据。

特别是对于无线和电池电源的状态监控系统，嵌入式人工智能可以实现所有附加值。与直接向边缘或云传输传感器数据相比，ADuCM4050中嵌入的AI算法将传感器数据本地转换为智能数据，可以降低数据流，从而降低功耗。

应用

COG开发平台，包括为其开发的平台AI从简单的异常检测到复杂的故障诊断，算法广泛应用于机器、系统、结构和过程的监测领域。例如，不同工业机器和系统的振动和噪声可以通过集成的加速度计、麦克风和温度传感器进行监测。AI它可以检测到过程状态、轴承或定子损坏、电子设备故障控制，甚至系统行为的未知变化，如电子设备损坏。如果预测模型可以用于某些损坏，甚至可以在本地预测这些损坏。这样，可以在早期阶段采取维护措施，以避免基于损坏的不必要故障。如果没有预测模型，COG平台还可以帮助主题专家不断学习机器的行为，并随着时间的推移推导出机器的综合模型进行预测性维护。

结论

理想情况下，嵌入式数据通过相应的本地数据分析进行分析AI该算法应能够确定哪些传感器与相应的应用程序相关，以及哪种算法最适合它。这意味着该平台的智能可扩展性。目前，主题专家仍然必须找到相应应用程序的最佳算法，尽管我们使用它AI算法已经能够以最小的工作量扩展到各种应用程序的机器状态监测。