初步認識“端點(diǎn)智能”

Suad Jusuf

Senior Manager

物聯(lián)網(wǎng)（IoT）不僅會(huì )改變我們的日常生活，也會(huì )改變人類(lèi)社會(huì )的結構。從智能家居到未來(lái)工廠(chǎng)，聯(lián)網(wǎng)設備的數量持續、快速地增長(cháng)。人工智能（AI）與物聯(lián)網(wǎng)的結合，改善了人機互動(dòng)，加強了數據管理和分析。為了提高系統效率和決策的準確性，我們現在可以在本地的邊緣或端點(diǎn)設備上運行人工智能模型。然而，對于資源有限的設備而言，在大多數情況下，機器學(xué)習模型的訓練仍然需要在云端進(jìn)行。訓練后的模型可以部署在邊緣設備上得以執行。這種方法得益于云端服務(wù)器的高算力（訓練）以及邊緣設備執行的低延遲（更快的執行響應）。

端點(diǎn)AI，即在網(wǎng)絡(luò )邊緣設備上集成人工智能。它將本來(lái)僅用于計算數據的物聯(lián)網(wǎng)設備轉化為能支持人工智能的更高級的設備，為他們提供了實(shí)時(shí)決策的能力。目標是使基于機器學(xué)習的智能決策在物理上更接近數據源，因此AI ML向嵌入式端點(diǎn)轉移。端點(diǎn)人工智能涵蓋廣泛的應用，包括工業(yè)、消費、醫療保健、運輸、制造、零售等。

智能物聯(lián)網(wǎng)（AIoT）的價(jià)值主線(xiàn)是能夠在邊緣部署更多更強的智能，最終實(shí)現更大的靈活性。終端設備位于網(wǎng)絡(luò )的最邊緣，確切地說(shuō)是數據的來(lái)源地，這可以實(shí)現更快更準確的反應，同時(shí)節省了不必要的數據傳輸、延遲和動(dòng)態(tài)數據安全風(fēng)險的成本。

第一步是確定問(wèn)題，依靠系統的相關(guān)信息來(lái)分析問(wèn)題并做出適當的決定。然后需要對信息/數據進(jìn)行分類(lèi)和分組，以研究如何提取特征，從而有利于訓練所需的AI/ML模型。在終端設備運行的人工智能模型可以為復雜的現實(shí)世界問(wèn)題提供更好的洞察力和解決方案。在端點(diǎn)設備上集成人工智能，使開(kāi)發(fā)者能夠利用強大的機器學(xué)習模型，而不需要完全重建他們的系統。

數據的完整性

為了在使用人工智能解決現實(shí)世界的問(wèn)題時(shí)取得盡可能好的結果，數據及其可靠性起著(zhù)決定性作用。需要一套綜合的方法，使用各種科學(xué)手段、算法和流程，從不斷增加的數據量中提取洞察力。以算法為核心，從原始數據中識別出背后隱藏的模式及信息。這些有價(jià)值的見(jiàn)解有助于支持商業(yè)決策，幫助分析商業(yè)困境，并將其轉化為可操作的解決方案。

當批判性思維遇到機器學(xué)習算法時(shí)，數據科學(xué)有助于獲得更好的洞察力，指導高效的工作，并為預測提供信息。目標是讓企業(yè)從數據科學(xué)中受益，做出指導性決策，創(chuàng )造更多的創(chuàng )新產(chǎn)品和服務(wù)。其中一個(gè)關(guān)鍵要求是使用TinyML等技術(shù)開(kāi)發(fā)AI/ML模型，以便能夠在資源有限的終端設備上運行這些模型，從而簡(jiǎn)化為嵌入式硬件建立機器學(xué)習模型的過(guò)程。依靠相關(guān)的人工智能工具來(lái)獲取機器學(xué)習（ML）所需的數據，工具向導還會(huì )指導你完成模型訓練、模型測試和模型生成的全部過(guò)程。

入門(mén)流程

構建端點(diǎn)設備上的AI應用程序需要一系列特定的技能，包括數據科學(xué)、硬件工程、嵌入式編程、軟件工程、機器學(xué)習技術(shù)，以及正在開(kāi)發(fā)的應用領(lǐng)域中的專(zhuān)業(yè)知識。構建一個(gè)應用程序所需的主要步驟可以分為四個(gè)部分，如下圖所示。

案例研究：預測性維護

PdM（預測性維護）是一種由時(shí)序數據驅動(dòng)的方法，采用機器學(xué)習和預測性數據分析來(lái)監控設備的一系列狀況，這些狀況可能表征出潛在的系統或設備故障?；诟鞣N機器學(xué)習模型的預測性維護，開(kāi)發(fā)人員在給定數據集上運行自動(dòng)化數據處理。經(jīng)過(guò)訓練的模型可以幫助檢測出潛在的設備故障，并實(shí)時(shí)執行事先定義好的保護或者預警操作。

預測性維護的背后就是一套人工智能技術(shù)和機器學(xué)習/TinyML算法。這些算法就是以監控特定機器的過(guò)程中收集的數據為運行基礎，這些數據也用于訓練可預測潛在異常的算法模型。

在樓宇自動(dòng)化、家電或工業(yè)自動(dòng)化等不同類(lèi)型的電機應用中，都可以看到預測性維護的典型用例。為電機應用部署PdM有助于檢測和管理電機相關(guān)故障，基于電機運行過(guò)程中產(chǎn)生的振動(dòng)頻率或信號。一旦建立了故障特征的基線(xiàn)，模式識別可以識別出電機運行中的任何不平衡、錯位、松動(dòng)或軸承故障。減少系統維護和服務(wù)成本的同時(shí)保持整體系統的穩定性。

電機應用中的一些故障通常與振動(dòng)異常和負載不平衡有關(guān)。這種異常會(huì )導致系統失效和過(guò)熱，最終會(huì )導致電機繞組的絕緣故障、昂貴的維修費用和電機更換期間的長(cháng)時(shí)間停機。這一切都可以通過(guò)部署基于人工智能的預測性維護解決方案來(lái)避免。

瑞薩電子的RA6T1系列微控制器是專(zhuān)為智能家居、工業(yè)自動(dòng)化和樓宇自動(dòng)化中的電機應用而設計，提供豐富的外設和基于人工智能的故障檢測，以滿(mǎn)足從家用電器、HVAC、太陽(yáng)能逆變器到交流驅動(dòng)器等電機應用的獨特需求。

基于A(yíng)rm? Cortex?-M33內核，新一代RA6T2 32位微控制器的工作頻率為240MHz，具有豐富的外設集合，并為高性能精密電機控制進(jìn)行了優(yōu)化。擁有高速模擬外設，提高電機控制性能的同時(shí)大大降低了物料（BOM）成本。RA6T2 MCU可以同時(shí)控制兩個(gè)無(wú)刷DC（BLDC）電機。

此外，瑞薩為T(mén)inyML應用提供了一個(gè)專(zhuān)用工具鏈，為基于RA6T2 MCU的系統提供了增強的故障檢測能力，為客戶(hù)提供智能、易用、經(jīng)濟的無(wú)傳感器電機系統，作為預測性維護的平臺。這種基于TinyML的人工智能模型可以幫助更早、更準確地檢測出電機系統中潛在異常，以幫助客戶(hù)改善預測性維護流程，降低維護成本。

瑞薩電子提供基于RA6T2的完整開(kāi)發(fā)套件，包括硬件開(kāi)發(fā)組件和軟件模塊，可快速構建支持預測性維護的電機控制解決方案：

RA6T2在單個(gè)芯片上集成了PWM定時(shí)器和模擬外設，可以同時(shí)控制兩臺電機，是電機應用的最佳選擇。

完整的電機解決方案，用于評估和調試電機應用：

硬件套件（MCK-RA6T2），電機工作臺（RMW），以及PdM解決方案都由瑞薩電子提供。

MCK-RA6T2（完整的電機控制開(kāi)發(fā)平臺）

瑞薩推廣高效的AIOT解決方案，涵蓋語(yǔ)音、視覺(jué)和實(shí)時(shí)分析等廣泛應用。瑞薩與合作伙伴一起，提供完整且高度優(yōu)化的TinyML端點(diǎn)解決方案，包括硬件、軟件和工具，可幫助工程師快速構建基于人工智能的解決方案。

人工智能不是只能運行在云端服務(wù)器，它還可以無(wú)處不在地運行在任何端點(diǎn)設備上。智能化、減少延遲、數據完整性、更迅速的響應、可擴展性等等都是端點(diǎn)人工智能的意義所在，也因此創(chuàng )造了無(wú)限的應用可能。