Convertir macrodatos en datos inteligentes con IA incorporada

Las aplicaciones de la Industria 4.0 generan un gran volumen de datos complejos:big data. El creciente número de sensores y, en general, las fuentes de datos disponibles hacen que la vista virtual de máquinas, sistemas y procesos sea cada vez más detallada. Esto naturalmente aumenta el potencial de generar valor agregado a lo largo de toda la cadena de valor. Al mismo tiempo, sin embargo, sigue surgiendo la cuestión de cómo se puede extraer exactamente este valor. Después de todo, los sistemas y arquitecturas para el procesamiento de datos son cada vez más complejos. Solo con datos relevantes, de alta calidad y útiles (datos inteligentes) se puede realizar el potencial económico asociado.

Desafíos

Recopilar todos los datos posibles y almacenarlos en la nube con la esperanza de que luego sean evaluados, analizados y estructurados es un enfoque generalizado pero no particularmente efectivo para extraer valor de los datos. El potencial para generar valor agregado a partir de los datos sigue estando infrautilizado, y encontrar una solución en un momento posterior se vuelve más complejo. Una mejor alternativa es hacer consideraciones desde el principio para determinar qué información es relevante para la aplicación y en qué parte del flujo de datos se puede extraer la información. Hablando en sentido figurado, esto significa refinar los datos, es decir, hacer datos inteligentes a partir de big data para toda la cadena de procesamiento. Se puede tomar una decisión con respecto a qué algoritmos de IA tienen una alta probabilidad de éxito para los pasos de procesamiento individuales a nivel de la aplicación. Esta decisión depende de las condiciones de los límites, como los datos disponibles, el tipo de aplicación, las modalidades de sensor disponibles y la información de fondo sobre los procesos físicos de nivel inferior.

(Fuente de imagen:Analog Devices, Inc.)

Para los pasos de procesamiento individuales, el manejo e interpretación correctos de los datos son extremadamente importantes para que se genere un valor agregado real a partir de las señales del sensor. Dependiendo de la aplicación, puede resultar difícil interpretar correctamente los datos del sensor discreto y extraer la información deseada. El comportamiento temporal a menudo juega un papel y tiene un efecto directo sobre la información deseada. Además, las dependencias entre múltiples sensores deben tenerse en cuenta con frecuencia. Para tareas complejas, los valores de umbral simples y la lógica o las reglas determinadas manualmente ya no son suficientes.

Algoritmos de IA

Por el contrario, el procesamiento de datos mediante algoritmos de IA permite el análisis automatizado de datos de sensores complejos. Mediante este análisis, se llega automáticamente a la información deseada y, por tanto, al valor añadido a partir de los datos a lo largo de la cadena de procesamiento de datos.

Para la construcción de modelos, que siempre es parte de un algoritmo de IA, existen básicamente dos enfoques diferentes.

Un enfoque es modelar mediante fórmulas y relaciones explícitas entre los datos y la información deseada. Estos enfoques requieren la disponibilidad de información de antecedentes físicos en forma de descripción matemática. Estos llamados enfoques basados ​​en modelos combinan los datos del sensor con esta información de fondo para producir un resultado más preciso para la información deseada. El ejemplo más conocido aquí es el filtro de Kalman.

Si se dispone de datos, pero no de información de fondo que pueda describirse en forma de ecuaciones matemáticas, se deben elegir los denominados enfoques basados ​​en datos. Estos algoritmos extraen la información deseada directamente de los datos. Abarcan la gama completa de métodos de aprendizaje automático, incluida la regresión lineal, las redes neuronales, el bosque aleatorio y los modelos de Markov ocultos.

La selección de un método de IA a menudo depende del conocimiento existente sobre la aplicación. Si se dispone de un amplio conocimiento especializado, la IA desempeña un papel más de apoyo y los algoritmos utilizados son bastante rudimentarios. Si no existe ningún conocimiento experto, los algoritmos de IA utilizados son mucho más complejos. En muchos casos, es la aplicación la que define el hardware y, a través de ella, las limitaciones de los algoritmos de IA.

Implementación integrada, perimetral o en la nube

La cadena general de procesamiento de datos con todos los algoritmos necesarios en cada paso individual debe implementarse de tal manera que se pueda generar el mayor valor agregado posible. La implementación generalmente ocurre a nivel general, desde el sensor pequeño con recursos informáticos limitados a través de puertas de enlace y computadoras periféricas hasta grandes computadoras en la nube. Está claro que los algoritmos no deben implementarse solo en un nivel. Por el contrario, suele ser más ventajoso implementar los algoritmos lo más cerca posible del sensor. Al hacerlo, los datos se comprimen y refinan en una etapa temprana y se reducen los costos de comunicación y almacenamiento. Además, mediante la extracción temprana de la información esencial de los datos, el desarrollo de algoritmos globales en los niveles superiores es menos complejo. En la mayoría de los casos, los algoritmos del área de análisis de transmisión también son útiles para evitar el almacenamiento innecesario de datos y, por lo tanto, los altos costos de transferencia y almacenamiento de datos. Estos algoritmos usan cada punto de datos solo una vez; es decir, la información completa se extrae directamente y no es necesario almacenar los datos.

El procesamiento de algoritmos de IA en el borde (es decir, IA incorporada) requiere un microcontrolador integrado con periféricos analógicos y digitales para la adquisición, procesamiento, control y conectividad de datos. El procesador también debe poder capturar y procesar datos localmente en tiempo real, así como tener los recursos informáticos para ejecutar algoritmos de IA inteligentes de última generación. Por ejemplo, el ADuCM4050 de Analog Devices se basa en la arquitectura ARM Cortex-M4F y proporciona un enfoque integrado y de ahorro de energía para la IA integrada.

La implementación de IA integrada va mucho más allá del microcontrolador. Para acelerar el diseño, muchos fabricantes de silicio han creado plataformas de desarrollo y evaluación como EV-COG-AD4050LZ. Estas plataformas reúnen microcontroladores con componentes como sensores y transceptor de HF para permitir a los ingenieros explorar la IA incorporada sin tener que convertirse en expertos en múltiples tecnologías. Estas plataformas son extensibles, permiten a los desarrolladores trabajar con diferentes sensores y otros componentes. Por ejemplo, el escudo EV-GEAR-MEMS1Z permite a los ingenieros evaluar rápidamente diferentes tecnologías MEMS, como la serie ADXL35x, incluido el ADXL355, que se utiliza en este escudo ofrece una rectificación de vibración superior, repetibilidad a largo plazo y un rendimiento de bajo ruido en una forma pequeña. factor.

La combinación de plataformas y escudos como EV-COG-AD4050LZ y EV-GEAR-MEMS1Z les da a los ingenieros la entrada al mundo de la salud estructural y el monitoreo del estado de la máquina basado en análisis de vibración, ruido y temperatura. Se pueden conectar otros sensores a la plataforma según sea necesario para que los métodos de IA utilizados puedan ofrecer una mejor estimación de la situación actual a través de la llamada fusión de datos multisensor. De esta manera, se pueden clasificar varias condiciones de operación y falla con mejor granularidad y mayor probabilidad. A través del procesamiento de señales inteligentes en la plataforma, los macrodatos se convierten en datos inteligentes a nivel local, por lo que solo es necesario que los datos relevantes para el caso de la aplicación se envíen al borde o la nube.

El enfoque de plataforma también simplifica las comunicaciones, ya que hay protectores disponibles para diferentes comunicaciones inalámbricas. Por ejemplo, el EV-COG-SMARTMESH1Z combina alta confiabilidad y robustez, así como un consumo de energía extremadamente bajo con un protocolo de comunicación 6LoWPAN y 802.15.4e que aborda una gran cantidad de aplicaciones industriales. La red SmartMesh IP está compuesta por una malla de múltiples saltos de nodos inalámbricos altamente escalables y autoconformables que recopilan y retransmiten datos. Un administrador de red supervisa y administra el rendimiento y la seguridad de la red e intercambia datos con una aplicación host.

En el caso de los sistemas inalámbricos de monitorización del estado que funcionan con baterías, en particular, la IA incorporada puede obtener todo el valor añadido. La conversión local de los datos del sensor en datos inteligentes mediante los algoritmos de IA integrados en el ADuCM4050 da como resultado un flujo de datos más bajo y, en consecuencia, un menor consumo de energía que en el caso de la transmisión directa de los datos del sensor al borde o la nube.

Aplicaciones

Las plataformas de desarrollo de algoritmos de IA, incluidos los algoritmos de IA desarrollados para ellas, tienen una gama muy amplia de aplicaciones en el campo de la monitorización de máquinas, sistemas, estructuras y procesos que van desde la simple detección de anomalías hasta el diagnóstico de fallas complejas. El uso de acelerómetros, micrófonos y sensores de temperatura integrados permite capacidades como el monitoreo de vibraciones y ruido de diversas máquinas y sistemas industriales. La IA integrada se puede utilizar para detectar estados del proceso, daños en los rodamientos o estator, fallas en la electrónica de control e incluso cambios desconocidos en el comportamiento del sistema debido a daños en la electrónica. Si se dispone de un modelo predictivo para determinados daños, estos daños pueden incluso predecirse localmente. A través de esto, se pueden tomar medidas de mantenimiento en una etapa temprana y, por lo tanto, se pueden evitar fallas innecesarias basadas en daños. Si no existe un modelo predictivo, la plataforma también puede ayudar a los expertos en la materia a aprender sucesivamente el comportamiento de una máquina y, con el tiempo, derivar un modelo completo de la máquina para el mantenimiento predictivo.

Idealmente, a través del análisis de datos local correspondiente, los algoritmos de IA integrados deberían poder decidir qué sensores son relevantes para la aplicación respectiva y qué algoritmo es el mejor para ella. Esto significa escalabilidad inteligente de la plataforma. En la actualidad, sigue siendo el experto en la materia quien debe encontrar el mejor algoritmo para la aplicación respectiva, aunque los algoritmos de IA ya se pueden escalar con un esfuerzo de implementación mínimo para varias aplicaciones de monitoreo de la condición de la máquina.

La IA incorporada también debe tomar una decisión con respecto a la calidad de los datos y, si es inadecuada, encontrar y realizar la configuración óptima para los sensores y todo el procesamiento de la señal. Si se utilizan varias modalidades de sensor diferentes para la fusión de sensores, un algoritmo de IA puede compensar las desventajas de ciertos sensores y métodos. A través de esto, se incrementa la calidad de los datos y la confiabilidad del sistema. Si el algoritmo de IA clasifica un sensor como mínimamente relevante para la aplicación, su flujo de datos se puede limitar en consecuencia.

La plataforma COG abierta de ADI contiene un kit de desarrollo de software disponible gratuitamente y numerosos proyectos de ejemplo de hardware y software para acelerar la creación de prototipos, facilitar el desarrollo y realizar ideas originales. A través de la fusión de datos multisensor (EV-GEAR-MEMS1Z) y la inteligencia artificial integrada (EV-COG-AD4050LZ), se puede crear una red de malla inalámbrica robusta y confiable (SMARTMESH1Z) de sensores inteligentes.