Elektroda.pl
Elektroda.pl
X
Texa PolandTexa Poland
Proszę, dodaj wyjątek dla www.elektroda.pl do Adblock.
Dzięki temu, że oglądasz reklamy, wspierasz portal i użytkowników.

Platforma wbudowana z sensorami i AI - lokalnie od Big Data do Smart Data

ghost666 15 Cze 2020 20:42 1410 0
  • Aplikacje Przemysłu 4.0 generują ogromną ilość złożonych i dużych zbiorów danych. Rosnąca liczba czujników i ogólnodostępnych źródeł danych wymaga coraz bardziej szczegółowego wirtualnego spojrzenia na maszyny, systemy i procesy. To naturalnie zwiększa potencjał generowania wartości dodanej w całym łańcuchu przetwarzania danych. Jednocześnie jednak powstaje pytanie, jak dokładnie ten potencjał można wyodrębniać – w końcu systemy i architektury przetwarzania danych stają się coraz bardziej złożone, a liczba czujników i urządzeń wykonawczych stale rośnie. Tylko przy użyciu odpowiednich, przydatnych danych wysokiej jakości – tzw. inteligentnych danych – można rozwinąć powiązany z tymi systemami potencjał gospodarczy.

    Platforma wbudowana z sensorami i AI - lokalnie od Big Data do Smart Data
    Rys.1. Podział potoku algorytmu na
    platformy wbudowane, brzegowe
    i chmurowe.
    Wyzwania

    Zbieranie wszystkich możliwych danych i przechowywanie ich w chmurze w nadziei, że zostaną one później ocenione, przeanalizowane i ustrukturyzowane, jest nadal powszechnym, ale niezbyt skutecznym podejściem. Potencjał generowania wartości dodanej na podstawie danych pozostaje niewykorzystany, a późniejsze znalezienie rozwiązania staje się bardziej złożone i kosztowne. Lepszą alternatywą jest wcześniejsze rozważenie systemu, w celu ustalenia, które informacje są istotne dla danej aplikacji i gdzie w przepływie danych można uzyskać informacje (patrz rysunek 1). Mówiąc obrazowo, oznacza to udoskonalenie danych - na przykład tworzenie inteligentnych danych z dużych ich zbiorów na całym łańcuchu przetwarzania. Już na poziomie aplikacji można podjąć decyzję, które algorytmy AI mają szansę implementacji na poszczególnych etapach przetwarzania. Zależy to od warunków brzegowych, takich jak dostępne dane, typ aplikacji, dostępne czujniki i podstawowe informacje o procesach fizycznych niższego poziomu.

    Dla poszczególnych etapów przetwarzania i interpretacji danych, niezwykle ważne jest generowanie dodatkowych informacji z sygnałów pochodzących z czujników. W zależności od zastosowania, interpretacja dyskretnych danych czujnika i wyodrębnienie z nich żądanych informacji może być trudna. Często zachowanie w funkcji czasu odgrywa istotną rolę i ma bezpośredni wpływ na szukane informacje. Ponadto, należy brać pod uwagę zależności między wieloma czujnikami. W przypadku złożonych zadań proste wartości progowe i ręcznie skonfigurowana logika nie są już wystarczające i nie umożliwiają automatycznej adaptacji do zmieniających się warunków środowiskowych.

    AI wbudowane, na krawędzi czy w chmurze?

    Cały łańcuch przetwarzania danych wraz ze wszystkimi algorytmami potrzebnymi na każdym etapie musi być zaimplementowany w taki sposób, aby można było wygenerować najwięcej dodatkowej wiedzy. Implementacja zwykle odbywa się na wszystkich poziomach - od małego czujnika o ograniczonych zasobach obliczeniowych, przez bramy i komputery brzegowe, aż po duże komputery pracujące w chmurze. Oczywiste jest tutaj, że algorytmy powinny być wdrażane nie tylko na jednym poziomie. Przeciwnie, w większości przypadków bardziej korzystne jest wdrożenie algorytmów jak najbliżej czujnika. Dzięki temu dane są kompresowane już na niskim poziomie, a koszty komunikacji i ich przechowywania w chmurze są zredukowane. Ponadto poprzez wczesne wydobycie niezbędnych informacji, algorytmy stosowane na wyższych poziomach są mniej złożone. W większości przypadków algorytmy z obszaru analizy strumieniowej są również przydatne w celu uniknięcia niepotrzebnego przechowywania danych, a tym samym zwiększania kosztów. Algorytmy te wykorzystują każdy punkt danych tylko raz.

    Wbudowana platforma do monitorowania warunkowego

    Oparta na procesorze z rdzeniem ARM Cortex-M4F otwarta platforma wbudowana iCOMOX firm Shiratech Solutions, Arrow i Analog Devices to niezwykle energooszczędny, zintegrowany system składający się z mikrokontrolera ze zintegrowanym modułem zarządzania energią, a także z czujnikami analogowymi i cyfrowymi oraz urządzeniami peryferyjnymi do przesyłania danych. System zapewnia wszystko, co potrzebne: pozyskiwanie i przetwarzanie danych, kontrolę i łączność. Wszystko to sprawia, że jest to bardzo dobry kandydat do lokalnego przetwarzania danych i wczesnego udoskonalania ich za pomocą najnowocześniejszych inteligentnych algorytmów AI.

    Platforma wbudowana z sensorami i AI - lokalnie od Big Data do Smart Data
    Rys.2. Schemat blokowy iCOMOX.
    iCOMOX oznacza inteligentne urządzenie do monitorowania stanu i może być używany do wejścia w świat monitorowania stanu konstrukcji i maszyn w oparciu o analizę wibracji, pól magnetycznych, dźwięku czy temperatury. Na życzenie platformę tę można uzupełnić o dodatkowe moduły czujników - na przykład żyroskopy firmy Analog Devices do precyzyjnego pomiaru prędkości obrotowych, nawet w środowiskach o dużym obciążeniu udarowym i wibracyjnym (patrz rysunek 2). Algorytmy sztucznej inteligencji zaimplementowane w iCOMOX mogą zapewnić lepsze oszacowanie bieżącej sytuacji dzięki realizowaniu fuzji sensorów – łączeniu danych z wielu czujników. W ten sposób różne warunki pracy czy uszkodzenia można klasyfikować z większą szczegółowością i precyzją. Dzięki inteligentnemu przetwarzaniu sygnałów w iCOMOX duże zespoły danych stają się inteligentnymi danymi, co powoduje, że konieczne jest przesłanie dalej (np. do chmury) tylko kluczowych dla aplikacji danych.

    Do komunikacji bezprzewodowej, iCOMOX wykorzystuje rozwiązanie o wysokiej niezawodności i solidności oraz wyjątkowo niskim zużyciu energii – sieć IP SmartMesh, która składa się ze skalowalnej, samoformującej się i samodzielnie optymalizującej się wielopunktowej siatki węzłów bezprzewodowych, które zbierają i przekazują dane. Menedżer sieci monitoruje i zarządza wydajnością i bezpieczeństwem sieci oraz wymienia dane z aplikacją hosta. Funkcja inteligentnego przekierowania sieci IP SmartMesh określa optymalną ścieżkę dla każdego pojedynczego pakietu, biorąc pod uwagę jakość połączenia, harmonogram transakcji i liczbę skoków w łączu komunikacyjnym.

    Wbudowana sztuczna inteligencja może pomóc w uzyskaniu pełnej wartości dodanej, zwłaszcza w przypadku bezprzewodowych systemów monitorowania stanu zasilanych bateryjnie. Lokalna konwersja danych z czujników na inteligentne dane za pomocą algorytmów AI wbudowanych w iCOMOX skutkuje redukcją przepływu danych i w konsekwencji mniejszym zużyciem energii niż ma to miejsce w przypadku bezpośredniej transmisji surowych danych z czujników do krawędzi lub chmury.

    Zakres zastosowań

    ICOMOX wraz z opracowanymi dla niego algorytmami AI ma szeroki zakres zastosowań w zakresie monitorowania maszyn, systemów, struktur i procesów - od wykrywania anomalii po złożoną diagnostykę uszkodzeń i natychmiastowe rozpoczęcie usuwania awarii. Dzięki zintegrowanemu mikrofonowi, akcelerometrowi, czujnikowi pola magnetycznego i czujnikowi temperatury, iCOMOX umożliwia np. monitorowanie drgań i hałasu, a także innych warunków pracy w różnych maszynach i systemach przemysłowych. Stany procesów, uszkodzenie łożyska czy wirnika lub stojana, awaria elektroniki sterującej itp., nawet nieznane zmiany w zachowaniu systemu, na przykład z powodu uszkodzenia elektroniki, mogą zostać wykryte przez AI. Jeśli dostępne są modele zachowania dla określonych uszkodzeń, można je nawet przewidzieć. Dzięki temu działania konserwacyjne można podjąć już na wczesnym etapie, dzięki czemu możliwe jest uniknięcie niepotrzebnych awarii spowodowanych uszkodzeniami, które dało się przewidzieć. Jeśli nie istnieje model predykcyjny, wbudowana platforma może również pomóc ekspertom w tej dziedzinie w stopniowym poznawaniu zachowania maszyny i uzyskiwaniu z czasem kompleksowego modelu maszyny do konserwacji predykcyjnej. Ponadto iCOMOX może być wykorzystywany do optymalizacji złożonych procesów produkcyjnych w celu osiągnięcia wyższej wydajności czy lepszej jakości produktu.

    Wbudowane algorytmy AI dla inteligentnych czujników

    Dzięki przetwarzaniu danych za pomocą algorytmów AI możliwa jest automatyczna analiza złożonych danych z czujników. Dzięki temu pożądane informacje są automatycznie uzyskiwane z danych w łańcuchu przetwarzania danych. Wybór algorytmu często zależy od istniejącej wiedzy o aplikacji. Jeśli dostępna jest rozległa wiedza domenowa, AI odgrywa bardziej wspierającą rolę, a stosowane algorytmy są dość szczątkowe. Jeśli nie ma wiedzy eksperckiej, algorytmy mogą być znacznie bardziej złożone. W wielu przypadkach to aplikacja określa sprzęt, a przez to ograniczenia algorytmów.

    W przypadku budowania modelu, który jest częścią algorytmu sztucznej inteligencji, istnieją zasadniczo dwa różne podejścia: podejścia oparte na danych i podejścia oparte na modelu.

    Wykrywanie anomalii za pomocą podejść opartych na danych

    Jeśli dostępne są tylko dane, ale brak informacji, które można opisać w postaci równań matematycznych, należy wybrać tak zwane podejścia oparte na danych. Algorytmy te wydobywają pożądane informacje bezpośrednio z danych z czujników. Obejmują one pełny zakres metod uczenia maszynowego, w tym regresję liniową, sieci neuronowe, las losowy czy ukryte modele Markova.

    Typowy algorytm dla podejść opartych na danych, który można wdrożyć na platformach wbudowanych, takich jak iCOMOX, składa się z trzech komponentów (patrz rysunek 3):
    1) przetwarzanie danych,
    2) ekstrakcja cech i zmniejszenie wymiarów,
    3) rzeczywisty algorytm uczenia maszynowego.

    Podczas wstępnego przetwarzania danych, dane są przetwarzane w taki sposób, że algorytmy niższego rzędu, szczególnie algorytmy uczenia maszynowego, zbiegają do optymalnego rozwiązania w możliwie najkrótszym czasie obliczeniowym. Brakujące dane należy zatem zastąpić np. prostą interpolacją, biorąc pod uwagę zależności czasowe i współzależność między różnymi danymi z czujników. Ponadto dane są modyfikowane za pomocą np. algorytmów wybielania, w taki sposób, że wydają się one wzajemnie niezależne. W rezultacie nie ma zależności liniowych w szeregach czasowych lub między czujnikami. Analiza głównych składników (PCA), niezależna analiza składników (ICA) i tak zwane filtry wybielające są typowymi algorytmami wstępnego wybielania danych.

    Platforma wbudowana z sensorami i AI - lokalnie od Big Data do Smart Data
    Rys.3. Zależne od danych podejście
    do przetwarzania na platformie
    wbudowanej.


    Na etapie wyodrębniania cech, są one uzyskiwane z wstępnie przetworzonych danych. Ta część łańcucha przetwarzania silnie zależy od rzeczywistej aplikacji. Ze względu na ograniczoną moc obliczeniową platform wbudowanych nie jest możliwe wdrożenie intensywnych obliczeniowo, w pełni zautomatyzowanych algorytmów, które oceniają różne cechy i wykorzystują kryteria optymalizacji pozwalające znaleźć najlepsze cechy - wśród nich znalazłyby się np. algorytmy genetyczne. Zamiast tego, w przypadku platform wbudowanych o niskim zużyciu energii, takich jak iCOMOX, metodę wyodrębniania cech należy określić ręcznie dla każdej aplikacji. Możliwe metody obejmują przekształcenie danych w dziedzinę częstotliwości (np. szybka transformacja Fouriera), zastosowanie logarytmu do surowych danych z czujnika, normalizację danych akcelerometru lub żyroskopu, znalezienie największych wektorów własnych w PCA lub wykonanie innych obliczeń na surowych danych. Dla różnych czujników można również wybrać różne algorytmy ekstrakcji cech. W rezultacie uzyskuje się wektor cech zawierający wszystkie istotne cechy ze wszystkich czujników.

    Jeśli wymiarowość tego wektora przekracza określony rozmiar, należy go zmniejszyć za pomocą algorytmów redukcji wymiarowości. Można po prostu pobrać wartości minimalne i/lub maksymalne w określonym oknie lub zastosować tym celu bardziej złożone algorytmy, takie jak wspomniane wcześniej PCA lub mapy samoorganizujące się (SOM).

    Dopiero po całkowitym wstępnym przetworzeniu danych i wyodrębnieniu cech odpowiednich dla danej aplikacji, algorytmy uczenia maszynowego można wykorzystać do optymalnego wydobycia informacji bezpośrednio na wbudowanej platformie. Podobnie jak w przypadku ekstrakcji cech, wybór algorytmu uczenia maszynowego silnie zależy od konkretnego zastosowania. W pełni zautomatyzowany wybór optymalnego algorytmu uczenia się - na przykład za pomocą algorytmów genetycznych - również nie jest obecnie możliwy z powodu ograniczonej mocy obliczeniowej platformy wbudowanej. Jednak już nawet nieco bardziej złożone sieci neuronowe, w tym ich uczenie, można przeprowadzać na platformach, takich jak iCOMOX. Decydującym czynnikiem jest tutaj ograniczenie dostępnej pamięci. Z tego powodu algorytmy uczenia maszynowego, a także wszystkie wcześniej wspomniane algorytmy w całym szeregu algorytmów, muszą zostać zmodyfikowane w taki sposób, aby dane czujnika były przetwarzane bezpośrednio. Każdy punkt danych jest wykorzystywany tylko przez algorytmy; wszystkie istotne informacje są wyodrębniane bezpośrednio, a gromadzenie dużych ilości danych, wymagające dużej ilości pamięci, jest eliminowane. Ten rodzaj przetwarzania jest również znany jako analiza strumieniowa.

    Wspomniany wcześniej algorytm został zaimplementowany w iCOMOX i oceniony pod kątem wykrycia anomalii w dwóch różnych aplikacjach: monitorowanie warunkowe silników AC i monitorowanie trajektorii ruchu w robotach przemysłowych. Algorytmy były zasadniczo takie same dla obu aplikacji; jedynie parametryzacja różniła się tym, że rozważany przedział czasu był krótki dla monitorowania silnika i długi dla monitorowania trajektorii. Poprzez ograniczenie sprzętu,
    dla pozostałego algorytmu uzyskano także różnej wartości parametry. Jako dane wejściowe zastosowano pomiary akcelerometru i żyroskopu o częstotliwości próbkowania 1 kHz. Do monitorowania stanu silnika wykorzystano również dane z mikrofonu, aby uwzględnić szczególne cechy akustyczne i tym samym poprawić dokładność wykrywania anomalii. Wyniki lokalnych obliczeń na wbudowanej platformie pokazano na rysunkach 4 i 5. W obu przykładach przedstawiono dane z akcelerometru i żyroskopu, zobrazowano cechy uzyskane lokalnie oraz lokalnie obliczony wskaźnik anomalii. Wskaźnik ten gwałtownie rośnie wraz z nowym zachowaniem sygnału i jest znacznie niższy w przypadku ponownego jego wystąpienia. Oznacza to, że nowo wykryty sygnał został uwzględniony i zaktualizowany w modelu przez algorytm uczący się.

    Platforma wbudowana z sensorami i AI - lokalnie od Big Data do Smart Data
    Rys.4. Monitorowanie wibracji silnika AC z wykorzystaniem platformy wbudowanej.

    Platforma wbudowana z sensorami i AI - lokalnie od Big Data do Smart Data
    Rys.5. Monitorowanie trajektorii ruchu ramienia w robocie przemysłowym z wykorzystaniem platformy wbudowanej.


    Platforma wbudowana z sensorami i AI - lokalnie od Big Data do Smart Data
    Rys.6. Podejście oparte na modelu
    dla platform wbudowanych.
    Dynamiczne szacowanie pozycji za pomocą metod opartych na modelach

    Innym, zasadniczo odmiennym, podejściem jest modelowanie działania systemu za pomocą formuł i wyraźnych związków między danymi z czujników a pożądanymi informacjami. Podejścia te wymagają dostępności fizycznych informacji podstawowych lub zachowania systemu w postaci opisu matematycznego. Są to tak zwane podejścia oparte na modelu, łączą dane czujnika z tymi informacjami tła. Pozwalają uzyskać bardziej precyzyjny wynik dla pożądanych informacji. Niektóre z najbardziej znanych przykładów to filtr Kalmana (KF) dla układów liniowych i tzw. bezzapachowy filtr Kalmana (UKF), rozszerzony filtr Kalmana (EKF) i filtr cząstek stałych (PF) dla układów nieliniowych. Wybór filtra silnie zależy od konkretnej aplikacji.

    Typowy potok algorytmu dla podejścia opartego na modelu, który można wdrożyć na platformach wbudowanych, takich jak iCOMOX, składa się z trzech komponentów (patrz rysunek 6):
    1) wykrywanie wartości odstających,
    2) predykcja,
    3) filtrowanie.

    Podczas wykrywania wartości odstających, dane z czujnika, które są dalekie od rzeczywistego oszacowania stanu systemu, są albo ważone ułamkowo, albo całkowicie usuwane w dalszym przetwarzaniu. Dzięki temu osiąga się bardziej niezawodny algorytm przetwarzania danych. W kroku przewidywania bieżący stan systemu jest aktualizowany w czasie. Odbywa się to za pomocą probabilistycznego modelu systemu, który zapewnia przewidywanie przyszłego stanu systemu. Ten model probabilistyczny często wywodzi się z deterministycznego równania systemu, które opisuje zależność przyszłego stanu systemu od aktualnego jego stanu, a także innych parametrów wejściowych i zakłóceń. W rozpatrywanym tutaj przykładzie monitorowania stanu robota przemysłowego, byłoby to równanie dynamiczne dla poszczególnych ramion przegubowych, które pozwalają tylko na określone kierunki ruchu w dowolnym momencie.

    Na etapie filtrowania, przewidywany stan systemu jest następnie korelowany z danym pomiarem, i w ten sposób szacowany stan jest aktualizowany. Istnieje równanie pomiarowe równoważne równaniu systemowemu, które umożliwia opisanie zależności między warunkami systemu a pomiarem. Dla rozważanego tutaj oszacowania położenia byłby to związek między danymi z akcelerometru i żyroskopu a dokładnym położeniem czujnika w przestrzeni.

    Platforma wbudowana z sensorami i AI - lokalnie od Big Data do Smart Data
    Rys.7. Precyzyjna, dynamiczna estymacja
    kąta na platformie wbudowanej.
    Zaimplementowany algorytm pokazuje
    znacznie lepszą zgodność w porównaniu
    do obliczeń bezpośrednich czy filtracji IIR.


    Połączenie podejścia opartego na danych i na modelu jest zarówno możliwe, jak i korzystne dla niektórych aplikacji. Parametry modeli leżących u podstaw systemów opartych na modelach można określić na przykład za pomocą metod opartych na danych lub dynamicznie dostosować do danych warunków środowiskowych. Ponadto stan systemu z podejścia opartego na modelu może być częścią wektora cech dla podejść opartych na danych. Wszystko to jednak jest bardzo zależne od konkretnej aplikacji.

    Wspomniany wcześniej algorytm został zaimplementowany w iCOMOX i poddany ocenie pod kątem precyzyjnego szacowania dynamicznej pozycji w efektorze robota przemysłowego. Jako dane wejściowe pobrano dane z akcelerometru i żyroskopu przy częstotliwości próbkowania równej 200 Hz. ICOMOX został przymocowany do efektora robota przemysłowego. Określono jego pozycję – składającą się z położenia i orientacji. Wyniki pokazano na rysunku 7. Jak pokazano, bezpośrednie obliczenia prowadzą do bardzo szybkich reakcji, ale także do dużej ilości szumu z licznymi wartościami odstającymi. Filtr IIR, jaki powszechnie stosuje się w praktyce, prowadzi do bardzo gładkiego sygnału, jednakże bardzo słabo podąża on za prawdziwą pozycją efektora. Natomiast przedstawione algorytmy prowadzą do bardzo gładkiego sygnału, w którym oszacowana pozycja jest bardzo precyzyjna i dynamicznie podąża za ruchem efektora robota przemysłowego.

    Podsumowanie

    Idealna aplikacja powinna, dzięki odpowiedniej lokalnej analizie danych i algorytmom AI, również móc samodzielnie decydować, które czujniki są odpowiednie dla danej aplikacji i który algorytm jest dla niego najlepszy. Zapewnia to inteligentną skalowalność platformy. Obecne systemy tego jeszcze nie potrafią – ekspert w danej dziedzinie musi manualnie znaleźć najlepszy algorytm dla odpowiedniej aplikacji, mimo że zastosowane w systemie algorytmy AI można już skalować przy minimalnym wysiłku implementacyjnym dla różnych aplikacji monitorowania stanu maszyny czy konstrukcji.

    Wbudowana sztuczna inteligencja powinna również podjąć decyzję dotyczącą jakości danych, a jeśli jest ona nieodpowiednia, znaleźć i wprowadzić optymalne ustawienia dla czujników i całego przetwarzania sygnału. Jeśli w systemie stosuje się kilka różnych trybów działania czujników, słabości i wady niektórych czujników można zrekompensować za pomocą odpowiedniego algorytmu AI. Dzięki temu polepsza się jakość danych i niezawodność układu. Jeśli czujnik jest sklasyfikowany jako mało istotny dla danego zastosowania przez algorytm AI, przepływ danych przezeń może być zredukowany.

    Otwarta platforma wbudowana iCOMOX od Shiratech Solutions, Arrow i Analog Devices jest dostępna za pośrednictwem Arrow i zawiera bezpłatny zestaw programistyczny oraz liczne przykłady projektów sprzętu i oprogramowania, co pozwala na przyspieszenia tworzenia prototypów, ułatwienia rozwoju i realizacji oryginalnych pomysłów. Solidną i niezawodną sieć bezprzewodową typu mesh dla inteligentnych czujników do monitorowania w oparciu o warunki można utworzyć za pomocą fuzji danych z wielu czujników z wbudowanymi algorytmami AI. Dzięki temu duże zespoły danych są lokalnie przekształcane w inteligentne dane.

    O autorze

    Dzianis Lukashevich jest dyrektorem działu platform i rozwiązań w Analog Devices. Koncentruje się na megatrendach, powstających technologiach, kompletnych rozwiązaniach i nowych modelach biznesowych, kształtujących przyszłość branży i przekształcających działalność ADI na szerokim rynku. Dzianis dołączył do diału ADI ds. Sprzedaży i marketingu w Monachium w Niemczech w 2012 roku. Posiada tytuł inżyniera z elektrotechniki na Politechnice w Monachium, nadany w 2005 r. oraz tytuł magistra z Warwick Business School, uzyskany w 2016 r. Można się z nim skontaktować pod adresem dzianis.lukashevich(malpa)analog.com.

    Artykuł sponsorowany

    Fajne! Ranking DIY
    Potrafisz napisać podobny artykuł? Wyślij do mnie a otrzymasz kartę SD 64GB.
    O autorze
    ghost666
    Tłumacz Redaktor
    Offline 
    Fizyk z wykształcenia. Po zrobieniu doktoratu i dwóch latach pracy na uczelni, przeszedł do sektora prywatnego, gdzie zajmuje się projektowaniem urządzeń elektronicznych i programowaniem. Od 2003 roku na forum Elektroda.pl, od 2008 roku członek zespołu redakcyjnego.
    ghost666 napisał 9843 postów o ocenie 8059, pomógł 157 razy. Mieszka w mieście Warszawa. Jest z nami od 2003 roku.
  • Texa PolandTexa Poland