Transformando big data em dados inteligentes com IA incorporado

Os aplicativos da indústria 4.0 geram um grande volume de dados complexos - big data. O número crescente de sensores e, em geral, as fontes de dados disponíveis estão tornando a visão virtual de máquinas, sistemas e processos cada vez mais detalhada. Naturalmente, isso aumenta o potencial de geração de valor agregado em toda a cadeia de valor. Ao mesmo tempo, no entanto, a questão de como exatamente esse valor pode ser extraído continua surgindo. Afinal, os sistemas e arquiteturas de processamento de dados estão se tornando cada vez mais complexos. Somente com dados relevantes, de alta qualidade e úteis - dados inteligentes - o potencial econômico associado pode ser realizado.

Desafios

Coletar todos os dados possíveis e armazená-los na nuvem na esperança de que mais tarde sejam avaliados, analisados ​​e estruturados é uma abordagem ampla, mas não particularmente eficaz, para extrair valor dos dados. O potencial de geração de valor agregado a partir dos dados permanece subutilizado, e encontrar uma solução em um momento posterior torna-se mais complexo. Uma alternativa melhor é fazer considerações com antecedência para determinar quais informações são relevantes para o aplicativo e onde no fluxo de dados as informações podem ser extraídas. Falando figurativamente, isso significa refinar os dados - ou seja, transformar big data em dados inteligentes para toda a cadeia de processamento. Uma decisão sobre quais algoritmos de IA têm uma alta probabilidade de sucesso para as etapas de processamento individuais pode ser tomada no nível do aplicativo. Essa decisão depende das condições de limite, como dados disponíveis, tipo de aplicativo, modalidades de sensor disponíveis e informações básicas sobre os processos físicos de nível inferior.

(Image soure:Analog Devices, Inc.)

Para as etapas de processamento individuais, o manuseio e a interpretação corretos dos dados são extremamente importantes para que o valor agregado real seja gerado a partir dos sinais do sensor. Dependendo da aplicação, pode ser difícil interpretar os dados do sensor discreto corretamente e extrair as informações desejadas. O comportamento temporal muitas vezes desempenha um papel e tem um efeito direto sobre as informações desejadas. Além disso, as dependências entre vários sensores devem ser frequentemente consideradas. Para tarefas complexas, valores de limite simples e lógicas ou regras determinadas manualmente não são mais suficientes.

Algoritmos AI

Em contraste, o processamento de dados por meio de algoritmos de IA permite a análise automatizada de dados complexos do sensor. Por meio dessa análise, as informações desejadas e, portanto, o valor agregado são obtidos automaticamente a partir dos dados ao longo da cadeia de processamento de dados.

Para a construção de modelos, que sempre faz parte de um algoritmo de IA, existem basicamente duas abordagens diferentes.

Uma abordagem é a modelagem por meio de fórmulas e relações explícitas entre os dados e as informações desejadas. Essas abordagens requerem a disponibilidade de informações físicas básicas na forma de uma descrição matemática. Essas chamadas abordagens baseadas em modelo combinam os dados do sensor com essas informações de fundo para produzir um resultado mais preciso para as informações desejadas. O exemplo mais conhecido aqui é o filtro de Kalman.

Se os dados, mas nenhuma informação de fundo que poderia ser descrita na forma de equações matemáticas estiverem disponíveis, então as chamadas abordagens baseadas em dados devem ser escolhidas. Esses algoritmos extraem as informações desejadas diretamente dos dados. Eles abrangem toda a gama de métodos de aprendizado de máquina, incluindo regressão linear, redes neurais, floresta aleatória e modelos ocultos de Markov.

A seleção de um método de IA geralmente depende do conhecimento existente sobre a aplicação. Se um amplo conhecimento especializado estiver disponível, a IA desempenha um papel mais de apoio e os algoritmos usados ​​são bastante rudimentares. Se não houver conhecimento especializado, os algoritmos de IA usados ​​são muito mais complexos. Em muitos casos, é a aplicação que define o hardware e, por meio dela, as limitações dos algoritmos de IA.

Implementação Embedded, Edge ou Cloud

A cadeia global de processamento de dados com todos os algoritmos necessários em cada etapa individual deve ser implementada de forma que o maior valor agregado possível possa ser gerado. A implementação geralmente ocorre no nível geral - desde o pequeno sensor com recursos de computação limitados, passando por gateways e computadores de ponta, até grandes computadores em nuvem. É claro que os algoritmos não devem ser implementados apenas em um nível. Em vez disso, normalmente é mais vantajoso implementar os algoritmos o mais próximo possível do sensor. Ao fazer isso, os dados são compactados e refinados em um estágio inicial e os custos de comunicação e armazenamento são reduzidos. Além disso, por meio da extração antecipada das informações essenciais dos dados, o desenvolvimento de algoritmos globais nos níveis superiores é menos complexo. Na maioria dos casos, os algoritmos da área de streaming analytics também são úteis para evitar o armazenamento desnecessário de dados e, portanto, altos custos de transferência e armazenamento de dados. Esses algoritmos usam cada ponto de dados apenas uma vez; ou seja, as informações completas são extraídas diretamente e os dados não precisam ser armazenados.

O processamento de algoritmos de IA na borda (ou seja, IA incorporado) requer um microcontrolador integrado com periféricos analógicos e digitais para aquisição, processamento, controle e conectividade de dados. O processador também precisa ser capaz de capturar e processar dados localmente em tempo real, bem como ter os recursos de computação para executar algoritmos de IA inteligente de última geração. Por exemplo, o ADuCM4050 da Analog Devices é baseado na arquitetura ARM Cortex-M4F e fornece uma abordagem integrada e de economia de energia para IA incorporada.

A implementação de IA incorporada vai muito além do microcontrolador. Para acelerar o design, muitos fabricantes de silício criaram plataformas de desenvolvimento e avaliação como o EV-COG-AD4050LZ. Essas plataformas reúnem microcontroladores com componentes como sensores e transceptor HF para permitir que os engenheiros explorem a IA incorporada sem ter que se tornar especialistas em várias tecnologias. Essas plataformas são extensíveis e permitem que os desenvolvedores trabalhem com diferentes sensores e outros componentes. Por exemplo, a blindagem EV-GEAR-MEMS1Z permite que os engenheiros avaliem rapidamente diferentes tecnologias MEMS, como a série ADXL35x, incluindo o ADXL355, usado nesta blindagem oferece retificação de vibração superior, repetibilidade de longo prazo e desempenho de baixo ruído em uma pequena forma fator.

A combinação de plataformas e escudos como o EV-COG-AD4050LZ e EV-GEAR-MEMS1Z dá aos engenheiros uma entrada no mundo da saúde estrutural e monitoramento das condições da máquina com base na vibração, ruído e análise de temperatura. Outros sensores podem ser conectados à plataforma, conforme necessário, para que os métodos de IA usados ​​possam fornecer uma estimativa melhor da situação atual por meio da chamada fusão de dados multisensores. Desta forma, várias condições operacionais e de falha podem ser classificadas com melhor granularidade e maior probabilidade. Por meio do processamento de sinal inteligente na plataforma, o big data torna-se um dado inteligente localmente, sendo necessário apenas que os dados relevantes para o caso de aplicação sejam enviados para a borda ou para a nuvem.

A abordagem da plataforma também simplifica as comunicações, pois os escudos estão disponíveis para diferentes comunicações sem fio. Por exemplo, o EV-COG-SMARTMESH1Z combina alta confiabilidade e robustez, bem como consumo de energia extremamente baixo, com um protocolo de comunicação 6LoWPAN e 802.15.4e que aborda um grande número de aplicações industriais. A rede SmartMesh IP é composta por uma malha multihop altamente escalável e autoformada de nós sem fio que coletam e retransmitem dados. Um gerenciador de rede monitora e gerencia o desempenho e a segurança da rede e troca dados com um aplicativo host.

Em particular, para sistemas de monitoramento de condição operados por bateria sem fio, a IA incorporada pode realizar todo o valor agregado. A conversão local de dados do sensor em dados inteligentes pelos algoritmos de AI incorporados no ADuCM4050 resulta em menor fluxo de dados e, consequentemente, menos consumo de energia do que no caso da transmissão direta de dados do sensor para a borda ou nuvem.

Aplicativos

As plataformas de desenvolvimento de algoritmos de IA, incluindo os algoritmos de IA desenvolvidos para elas, têm uma ampla gama de aplicações no campo de monitoramento de máquinas, sistemas, estruturas e processos que vão desde a simples detecção de anomalias até complexos diagnósticos de falhas. O uso de acelerômetros integrados, microfone e sensor de temperatura permite recursos como monitoramento de vibrações e ruídos de diversas máquinas e sistemas industriais. A IA incorporada pode ser usada para detectar estados de processo, danos ao rolamento ou estator, falha dos componentes eletrônicos de controle e até mesmo mudanças desconhecidas no comportamento do sistema devido a danos aos componentes eletrônicos. Se um modelo preditivo estiver disponível para certos danos, esses danos podem até mesmo ser previstos localmente. Com isso, medidas de manutenção podem ser tomadas em um estágio inicial e, assim, falhas desnecessárias baseadas em danos podem ser evitadas. Se nenhum modelo preditivo existir, a plataforma também pode ajudar os especialistas no assunto a aprender sucessivamente o comportamento de uma máquina e, com o tempo, derivar um modelo abrangente da máquina para manutenção preditiva.

Idealmente, por meio da análise de dados locais correspondentes, os algoritmos de IA incorporados devem ser capazes de decidir quais sensores são relevantes para a respectiva aplicação e qual algoritmo é o melhor para ela. Isso significa escalabilidade inteligente da plataforma. No momento, ainda é o especialista no assunto que deve encontrar o melhor algoritmo para a respectiva aplicação, embora os algoritmos de IA já possam ser escalados com esforço mínimo de implementação para várias aplicações de monitoramento de condição de máquina.

A IA incorporada também deve tomar uma decisão sobre a qualidade dos dados e, se for inadequada, encontrar e fazer as configurações ideais para os sensores e todo o processamento do sinal. Se várias modalidades de sensor diferentes são usadas para fusão de sensor, um algoritmo de AI pode compensar as desvantagens de certos sensores e métodos. Com isso, a qualidade dos dados e a confiabilidade do sistema são aumentadas. Se o algoritmo de AI classifica um sensor como minimamente relevante para a aplicação, seu fluxo de dados pode ser regulado adequadamente.

A plataforma COG aberta da ADI contém um kit de desenvolvimento de software disponível gratuitamente e vários exemplos de projetos de hardware e software para acelerar a criação de protótipos, facilitar o desenvolvimento e concretizar ideias originais. Por meio da fusão de dados multisensores (EV-GEAR-MEMS1Z) e IA incorporada (EV-COG-AD4050LZ), uma rede em malha sem fio robusta e confiável (SMARTMESH1Z) de sensores inteligentes pode ser criada.