Big data omzetten in slimme data met ingebouwde AI

Industrie 4.0-applicaties genereren een enorme hoeveelheid complexe data:big data. Door het toenemend aantal sensoren en in het algemeen beschikbare databronnen wordt het virtuele beeld van machines, systemen en processen steeds gedetailleerder. Dit vergroot natuurlijk het potentieel voor het genereren van toegevoegde waarde in de hele waardeketen. Tegelijkertijd rijst echter steeds de vraag hoe deze waarde precies kan worden geëxtraheerd. De systemen en architecturen voor dataverwerking worden immers steeds complexer. Alleen met relevante, hoogwaardige en bruikbare gegevens - slimme gegevens - kan het bijbehorende economische potentieel worden gerealiseerd.

Uitdagingen

Het verzamelen van alle mogelijke gegevens en deze in de cloud opslaan in de hoop dat ze later worden geëvalueerd, geanalyseerd en gestructureerd, is een wijdverbreide, maar niet bijzonder effectieve benadering om waarde uit gegevens te halen. Het potentieel om toegevoegde waarde uit de data te halen blijft onderbenut en het vinden van een oplossing op een later moment wordt complexer. Een beter alternatief is om in een vroeg stadium af te wegen welke informatie relevant is voor de toepassing en waar in de datastroom de informatie kan worden geëxtraheerd. Figuurlijk gesproken betekent dit het verfijnen van de gegevens, dat wil zeggen, slimme gegevens maken van big data voor de hele verwerkingsketen. Op applicatieniveau kan worden besloten welke AI-algoritmen een grote kans van slagen hebben voor de afzonderlijke verwerkingsstappen. Deze beslissing is afhankelijk van randvoorwaarden zoals de beschikbare data, applicatietype, beschikbare sensormodaliteiten en achtergrondinformatie over de fysieke processen op een lager niveau.

(Beeldbron:Analog Devices, Inc.)

Voor de afzonderlijke verwerkingsstappen is een correcte behandeling en interpretatie van de gegevens uiterst belangrijk om echte meerwaarde uit de sensorsignalen te halen. Afhankelijk van de toepassing kan het moeilijk zijn om de discrete sensorgegevens correct te interpreteren en de gewenste informatie te extraheren. Tijdelijk gedrag speelt vaak een rol en heeft direct effect op de gewenste informatie. Bovendien moet vaak rekening worden gehouden met de afhankelijkheden tussen meerdere sensoren. Voor complexe taken zijn eenvoudige drempelwaarden en handmatig bepaalde logica of regels niet langer voldoende.

AI-algoritmen

Gegevensverwerking door middel van AI-algoritmen maakt daarentegen de geautomatiseerde analyse van complexe sensorgegevens mogelijk. Door deze analyse wordt automatisch de gewenste informatie en dus toegevoegde waarde uit de data in de dataverwerkingsketen gehaald.

Voor modelbouw, dat altijd deel uitmaakt van een AI-algoritme, zijn er in principe twee verschillende benaderingen.

Een benadering is modellering door middel van formules en expliciete relaties tussen de data en de gewenste informatie. Deze benaderingen vereisen de beschikbaarheid van fysieke achtergrondinformatie in de vorm van een wiskundige beschrijving. Deze zogenaamde modelgebaseerde benaderingen combineren de sensorgegevens met deze achtergrondinformatie om een ​​nauwkeuriger resultaat voor de gewenste informatie op te leveren. Het meest bekende voorbeeld hier is het Kalman-filter.

Als er wel gegevens beschikbaar zijn, maar geen achtergrondinformatie die in de vorm van wiskundige vergelijkingen zou kunnen worden beschreven, dan moet worden gekozen voor zogenaamde datagestuurde benaderingen. Deze algoritmen halen de gewenste informatie direct uit de data. Ze omvatten het volledige scala aan machine learning-methoden, waaronder lineaire regressie, neurale netwerken, willekeurig bos en verborgen Markov-modellen.

Selectie van een AI-methode hangt vaak af van de bestaande kennis over de toepassing. Als er uitgebreide specialistische kennis beschikbaar is, speelt AI een meer ondersteunende rol en zijn de gebruikte algoritmen vrij rudimentair. Als er geen expertkennis bestaat, zijn de gebruikte AI-algoritmen veel complexer. In veel gevallen is het de applicatie die de hardware definieert en daarmee de beperkingen voor AI-algoritmen.

Embedded, Edge of Cloud-implementatie

De totale dataverwerkingsketen met alle algoritmen die nodig zijn in elke afzonderlijke stap, moet zo worden geïmplementeerd dat de hoogst mogelijke toegevoegde waarde kan worden gegenereerd. Implementatie vindt meestal plaats op algemeen niveau:van de kleine sensor met beperkte computerbronnen via gateways en edge-computers tot grote cloudcomputers. Het is duidelijk dat de algoritmen niet alleen op één niveau moeten worden geïmplementeerd. In plaats daarvan is het doorgaans voordeliger om de algoritmen zo dicht mogelijk bij de sensor te implementeren. Hierdoor worden de data in een vroeg stadium gecomprimeerd en verfijnd en worden de communicatie- en opslagkosten verlaagd. Bovendien is de ontwikkeling van globale algoritmen op de hogere niveaus minder complex door vroegtijdig de essentiële informatie uit de gegevens te extraheren. In de meeste gevallen zijn algoritmen uit het streaming-analysegebied ook nuttig om onnodige opslag van gegevens en dus hoge kosten voor gegevensoverdracht en opslag te voorkomen. Deze algoritmen gebruiken elk gegevenspunt slechts één keer; dat wil zeggen, de volledige informatie wordt direct geëxtraheerd en de gegevens hoeven niet te worden opgeslagen.

Het verwerken van AI-algoritmen aan de rand (d.w.z. embedded AI) vereist een geïntegreerde microcontroller met analoge en digitale randapparatuur voor data-acquisitie, verwerking, controle en connectiviteit. De processor moet ook in staat zijn om gegevens lokaal in realtime vast te leggen en te verwerken, en over de computerbronnen beschikken om geavanceerde slimme AI-algoritmen uit te voeren. De ADuCM4050 van Analog Devices is bijvoorbeeld gebaseerd op de ARM Cortex-M4F-architectuur en biedt een geïntegreerde en energiebesparende benadering van embedded AI.

Het implementeren van embedded AI gaat veel verder dan alleen de microcontroller. Om het ontwerp te versnellen, hebben veel siliciumfabrikanten ontwikkelings- en evaluatieplatforms gecreëerd, zoals de EV-COG-AD4050LZ. Deze platforms brengen microcontrollers samen met componenten zoals sensoren en HF-transceivers om ingenieurs in staat te stellen embedded AI te verkennen zonder experts in meerdere technologieën te hoeven worden. Deze platforms zijn uitbreidbaar, waardoor ontwikkelaars met verschillende sensoren en andere componenten kunnen werken. Het EV-GEAR-MEMS1Z-schild stelt ingenieurs bijvoorbeeld in staat om snel verschillende MEMS-technologieën te evalueren, zoals de ADXL35x-serie, inclusief de ADXL355, die in dit schild worden gebruikt, biedt superieure trillingscorrectie, herhaalbaarheid op lange termijn en lage ruisprestaties in een kleine vorm factor.

De combinatie van platforms en schilden zoals de EV-COG-AD4050LZ en EV-GEAR-MEMS1Z geeft ingenieurs toegang tot de wereld van structurele gezondheid en machineconditiebewaking op basis van trillingen, geluid en temperatuuranalyse. Indien nodig kunnen andere sensoren op het platform worden aangesloten, zodat de gebruikte AI-methoden een betere inschatting kunnen geven van de huidige situatie door middel van zogenaamde multisensor datafusie. Op deze manier kunnen verschillende bedrijfs- en foutcondities worden geclassificeerd met een betere granulariteit en een grotere waarschijnlijkheid. Door slimme signaalverwerking op het platform worden big data lokaal slimme data, waardoor het alleen nog nodig is om de voor de toepassingscase relevante data naar de edge of de cloud te sturen.

De platformbenadering vereenvoudigt ook de communicatie, aangezien er schilden beschikbaar zijn voor verschillende draadloze communicatie. De EV-COG-SMARTMESH1Z combineert bijvoorbeeld een hoge betrouwbaarheid en robuustheid en een extreem laag stroomverbruik met een 6LoWPAN- en 802.15.4e-communicatieprotocol dat een groot aantal industriële toepassingen aanspreekt. Het SmartMesh IP-netwerk bestaat uit een zeer schaalbaar, zelfvormend multihop-mesh van draadloze knooppunten die gegevens verzamelen en doorgeven. Een netwerkbeheerder bewaakt en beheert de netwerkprestaties en beveiliging en wisselt gegevens uit met een hosttoepassing.

Met name voor draadloze batterijgevoede conditiebewakingssystemen kan embedded AI de volledige toegevoegde waarde realiseren. Lokale conversie van sensorgegevens naar slimme gegevens door de AI-algoritmen die zijn ingebed in de ADuCM4050 resulteert in een lagere gegevensstroom en bijgevolg minder stroomverbruik dan het geval is bij directe overdracht van sensorgegevens naar de edge of de cloud.

Toepassingen

Ontwikkelplatforms voor AI-algoritmen, inclusief de voor hen ontwikkelde AI-algoritmen, kennen een zeer breed scala aan toepassingen op het gebied van bewaking van machines, systemen, constructies en processen, van eenvoudige detectie van anomalieën tot complexe foutdiagnostiek. Het gebruik van geïntegreerde versnellingsmeters, microfoon en temperatuursensor maakt mogelijkheden mogelijk zoals het monitoren van trillingen en geluid van diverse industriële machines en systemen. Embedded AI kan worden gebruikt om processtatussen, lager- of statorschade, uitval van de besturingselektronica en zelfs onbekende veranderingen in systeemgedrag als gevolg van schade aan de elektronica te detecteren. Als voor bepaalde schades een voorspellend model beschikbaar is, kunnen deze schades zelfs lokaal voorspeld worden. Hierdoor kunnen in een vroeg stadium onderhoudsmaatregelen worden genomen en kan onnodig schade veroorzaakt worden voorkomen. Als er geen voorspellend model bestaat, kan het platform materiedeskundigen ook helpen om achtereenvolgens het gedrag van een machine te leren en in de loop van de tijd een uitgebreid model van de machine af te leiden voor voorspellend onderhoud.

Idealiter zouden ingebedde AI-algoritmen door middel van bijbehorende lokale gegevensanalyse moeten kunnen beslissen welke sensoren relevant zijn voor de betreffende toepassing en welk algoritme daarvoor het beste is. Dit betekent slimme schaalbaarheid van het platform. Op dit moment is het nog steeds de materiedeskundige die het beste algoritme voor de betreffende toepassing moet vinden, ook al kunnen de AI-algoritmen al worden geschaald met minimale implementatie-inspanning voor verschillende toepassingen van machineconditiebewaking.

Embedded AI zou ook een beslissing moeten nemen over de kwaliteit van de gegevens en, als deze onvoldoende is, de optimale instellingen voor de sensoren en de volledige signaalverwerking vinden en maken. Als er verschillende sensormodaliteiten worden gebruikt voor sensorfusie, kan een AI-algoritme de nadelen van bepaalde sensoren en methoden compenseren. Hierdoor worden de datakwaliteit en de systeembetrouwbaarheid verhoogd. Als het AI-algoritme een sensor classificeert als minimaal relevant voor de toepassing, kan de gegevensstroom dienovereenkomstig worden beperkt.

Het open COG-platform van ADI bevat een vrij verkrijgbare softwareontwikkelingskit en tal van voorbeeldprojecten voor hardware en software om het maken van prototypes te versnellen, ontwikkeling te vergemakkelijken en originele ideeën te realiseren. Door de multisensor datafusie (EV-GEAR-MEMS1Z) en embedded AI (EV-COG-AD4050LZ), kan een robuust en betrouwbaar draadloos meshed netwerk (SMARTMESH1Z) van slimme sensoren worden gecreëerd.