Mengubah data besar menjadi data pintar dengan AI tersemat
Aplikasi Industri 4.0 menghasilkan sejumlah besar data kompleks—data besar. Meningkatnya jumlah sensor dan, secara umum, sumber data yang tersedia membuat tampilan virtual mesin, sistem, dan proses menjadi lebih detail. Hal ini secara alami meningkatkan potensi untuk menghasilkan nilai tambah di sepanjang rantai nilai secara keseluruhan. Namun, pada saat yang sama, pertanyaan tentang bagaimana tepatnya nilai ini dapat diekstraksi terus muncul. Bagaimanapun, sistem dan arsitektur untuk pemrosesan data menjadi semakin kompleks. Hanya dengan data yang relevan, berkualitas tinggi, dan berguna—data cerdas—potensi ekonomi terkait dapat diwujudkan.
Tantangan
Mengumpulkan semua data yang mungkin dan menyimpannya di cloud dengan harapan nantinya akan dievaluasi, dianalisis, dan terstruktur adalah pendekatan yang tersebar luas tetapi tidak terlalu efektif untuk mengekstraksi nilai dari data. Potensi untuk menghasilkan nilai tambah dari data masih kurang dimanfaatkan, dan menemukan solusi di kemudian hari menjadi lebih kompleks. Alternatif yang lebih baik adalah membuat pertimbangan sejak dini untuk menentukan informasi apa yang relevan dengan aplikasi dan di mana dalam aliran data informasi tersebut dapat diekstraksi. Secara kiasan, ini berarti menyempurnakan data—yaitu, membuat data pintar dari data besar untuk seluruh rantai pemrosesan. Keputusan mengenai algoritma AI mana yang memiliki probabilitas keberhasilan tinggi untuk langkah pemrosesan individu dapat dibuat di tingkat aplikasi. Keputusan ini bergantung pada kondisi batas seperti data yang tersedia, jenis aplikasi, modalitas sensor yang tersedia, dan informasi latar belakang tentang proses fisik tingkat yang lebih rendah.
(Sumber gambar:Analog Devices, Inc.)
Untuk langkah-langkah pemrosesan individu, penanganan dan interpretasi data yang benar sangat penting untuk nilai tambah nyata yang dihasilkan dari sinyal sensor. Tergantung pada aplikasinya, mungkin sulit untuk menginterpretasikan data sensor diskrit dengan benar dan mengekstrak informasi yang diinginkan. Perilaku temporal seringkali berperan dan berpengaruh langsung terhadap informasi yang diinginkan. Selain itu, ketergantungan antara beberapa sensor harus sering diperhitungkan. Untuk tugas yang kompleks, nilai ambang batas sederhana dan logika atau aturan yang ditentukan secara manual tidak lagi memadai.
Algoritma AI
Sebaliknya, pemrosesan data melalui algoritme AI memungkinkan analisis otomatis dari data sensor yang kompleks. Melalui analisis ini, informasi yang diinginkan dan, dengan demikian, nilai tambah secara otomatis diperoleh dari data di sepanjang rantai pemrosesan data.
Untuk pembuatan model, yang selalu menjadi bagian dari algoritme AI, pada dasarnya ada dua pendekatan berbeda.
Salah satu pendekatan adalah pemodelan dengan menggunakan rumus dan hubungan eksplisit antara data dan informasi yang diinginkan. Pendekatan ini membutuhkan ketersediaan informasi latar belakang fisik dalam bentuk deskripsi matematis. Apa yang disebut pendekatan berbasis model ini menggabungkan data sensor dengan informasi latar belakang ini untuk menghasilkan hasil yang lebih tepat untuk informasi yang diinginkan. Contoh yang paling dikenal di sini adalah filter Kalman.
Jika data, tetapi tidak ada informasi latar belakang yang dapat dijelaskan dalam bentuk persamaan matematika yang tersedia, maka apa yang disebut pendekatan berbasis data harus dipilih. Algoritma ini mengekstrak informasi yang diinginkan langsung dari data. Mereka mencakup berbagai metode pembelajaran mesin, termasuk regresi linier, jaringan saraf, hutan acak, dan model Markov tersembunyi.
Pemilihan metode AI seringkali tergantung pada pengetahuan yang ada tentang aplikasi tersebut. Jika pengetahuan khusus yang luas tersedia, AI memainkan peran yang lebih mendukung dan algoritma yang digunakan cukup sederhana. Jika tidak ada pengetahuan ahli, algoritma AI yang digunakan jauh lebih kompleks. Dalam banyak kasus, aplikasilah yang menentukan perangkat keras dan, melalui ini, batasan untuk algoritme AI.
Implementasi Tersemat, Edge, atau Cloud
Keseluruhan rantai pemrosesan data dengan semua algoritme yang diperlukan dalam setiap langkah individu harus diimplementasikan sedemikian rupa sehingga nilai tambah setinggi mungkin dapat dihasilkan. Implementasi biasanya terjadi pada tingkat keseluruhan—dari sensor kecil dengan sumber daya komputasi terbatas melalui gateway dan komputer edge hingga komputer cloud besar. Jelas bahwa algoritma seharusnya tidak hanya diimplementasikan pada satu level. Sebaliknya, biasanya lebih menguntungkan untuk mengimplementasikan algoritme sedekat mungkin dengan sensor. Dengan demikian, data dikompresi dan disempurnakan pada tahap awal dan biaya komunikasi dan penyimpanan berkurang. Selain itu, melalui ekstraksi awal informasi penting dari data, pengembangan algoritme global pada tingkat yang lebih tinggi menjadi tidak terlalu rumit. Dalam kebanyakan kasus, algoritme dari area analitik streaming juga berguna untuk menghindari penyimpanan data yang tidak perlu dan, dengan demikian, biaya transfer dan penyimpanan data yang tinggi. Algoritma ini menggunakan setiap titik data hanya sekali; yaitu, informasi lengkap diambil secara langsung, dan data tidak perlu disimpan.
Memproses algoritma AI di tepi (yaitu, AI tertanam) memerlukan mikrokontroler terintegrasi dengan periferal analog dan digital untuk akuisisi data, pemrosesan, kontrol, dan konektivitas. Prosesor juga harus dapat menangkap dan memproses data secara lokal secara real-time, serta memiliki sumber daya komputasi untuk mengeksekusi algoritme AI pintar yang canggih. Misalnya, ADuCM4050 dari Perangkat Analog didasarkan pada arsitektur ARM Cortex-M4F dan menyediakan pendekatan terintegrasi dan hemat daya untuk AI yang disematkan.
Menerapkan AI tertanam jauh lebih dari sekadar mikrokontroler. Untuk mempercepat desain, banyak produsen silikon telah menciptakan platform pengembangan dan evaluasi seperti EV-COG-AD4050LZ. Platform ini menyatukan mikrokontroler dengan komponen seperti sensor dan transceiver HF untuk memungkinkan para insinyur menjelajahi AI yang disematkan tanpa harus menjadi ahli dalam berbagai teknologi. Platform ini dapat diperluas, memungkinkan pengembang untuk bekerja dengan berbagai sensor dan komponen lainnya. Misalnya, pelindung EV-GEAR-MEMS1Z memungkinkan para insinyur untuk dengan cepat mengevaluasi berbagai teknologi MEMS seperti seri ADXL35x, termasuk ADXL355, yang digunakan dalam pelindung ini menawarkan perbaikan getaran yang unggul, pengulangan jangka panjang, dan kinerja kebisingan yang rendah dalam bentuk kecil. faktor.
Kombinasi platform dan pelindung seperti EV-COG-AD4050LZ dan EV-GEAR-MEMS1Z memberi para insinyur akses ke dunia kesehatan struktural dan pemantauan kondisi alat berat berdasarkan analisis getaran, kebisingan, dan suhu. Sensor lain dapat dihubungkan ke platform sesuai kebutuhan sehingga metode AI yang digunakan dapat memberikan perkiraan yang lebih baik tentang situasi saat ini melalui apa yang disebut fusi data multisensor. Dengan cara ini, berbagai kondisi operasi dan kesalahan dapat diklasifikasikan dengan granularitas yang lebih baik dan probabilitas yang lebih tinggi. Melalui pemrosesan sinyal pintar di platform, data besar menjadi data pintar secara lokal, sehingga hanya data yang relevan dengan kasus aplikasi yang perlu dikirim ke edge atau cloud.
Pendekatan platform juga menyederhanakan komunikasi karena perisai tersedia untuk komunikasi nirkabel yang berbeda. Misalnya, EV-COG-SMARTMESH1Z menggabungkan keandalan dan ketahanan tinggi serta konsumsi daya yang sangat rendah dengan protokol komunikasi 6LoWPAN dan 802.15.4e yang menangani sejumlah besar aplikasi industri. Jaringan IP SmartMesh terdiri dari node nirkabel multihop mesh yang sangat skalabel dan terbentuk sendiri yang mengumpulkan dan menyampaikan data. Manajer jaringan memantau dan mengelola kinerja dan keamanan jaringan serta bertukar data dengan aplikasi host.
Khususnya untuk sistem pemantauan kondisi yang dioperasikan dengan baterai nirkabel, AI yang disematkan dapat mewujudkan nilai tambah penuh. Konversi lokal data sensor ke data pintar oleh algoritme AI yang disematkan di ADuCM4050 menghasilkan aliran data yang lebih rendah dan akibatnya konsumsi daya lebih sedikit dibandingkan dengan transmisi langsung data sensor ke edge atau cloud.
Aplikasi
Platform pengembangan algoritme AI, termasuk algoritme AI yang dikembangkan untuk mereka, memiliki rentang aplikasi yang sangat luas di bidang pemantauan mesin, sistem, struktur, dan proses yang mencakup deteksi anomali sederhana hingga diagnostik kesalahan kompleks. Penggunaan akselerometer, mikrofon, dan sensor suhu terintegrasi memungkinkan kemampuan seperti pemantauan getaran dan kebisingan dari beragam mesin dan sistem industri. AI tertanam dapat digunakan untuk mendeteksi status proses, kerusakan bantalan atau stator, kegagalan elektronik kontrol, dan bahkan perubahan yang tidak diketahui dalam perilaku sistem karena kerusakan elektronik. Jika model prediktif tersedia untuk kerusakan tertentu, kerusakan ini bahkan dapat diprediksi secara lokal. Melalui ini, tindakan pemeliharaan dapat diambil pada tahap awal dan dengan demikian kegagalan berbasis kerusakan yang tidak perlu dapat dihindari. Jika tidak ada model prediktif, platform juga dapat membantu pakar materi pelajaran mempelajari perilaku mesin secara berurutan dan dari waktu ke waktu mendapatkan model mesin yang komprehensif untuk pemeliharaan prediktif.
Idealnya, melalui analisis data lokal yang sesuai, algoritme AI yang disematkan harus dapat memutuskan sensor mana yang relevan untuk masing-masing aplikasi dan algoritme mana yang terbaik untuk itu. Ini berarti skalabilitas platform yang cerdas. Saat ini, masih ahli materi pelajaran yang harus menemukan algoritme terbaik untuk masing-masing aplikasi, meskipun algoritme AI sudah dapat diskalakan dengan upaya implementasi minimal untuk berbagai aplikasi pemantauan kondisi mesin.
AI yang disematkan juga harus membuat keputusan mengenai kualitas data dan, jika tidak memadai, temukan dan buat pengaturan optimal untuk sensor dan seluruh pemrosesan sinyal. Jika beberapa modalitas sensor yang berbeda digunakan untuk fusi sensor, algoritma AI dapat mengkompensasi kekurangan dari sensor dan metode tertentu. Melalui ini, kualitas data dan keandalan sistem meningkat. Jika algoritme AI mengklasifikasikan sensor sebagai minimal relevan dengan aplikasi, aliran datanya dapat dibatasi.
Platform COG terbuka dari ADI berisi kit pengembangan perangkat lunak yang tersedia secara bebas dan banyak contoh proyek untuk perangkat keras dan perangkat lunak untuk mempercepat pembuatan prototipe, memfasilitasi pengembangan, dan mewujudkan ide-ide orisinal. Melalui penggabungan data multisensor (EV-GEAR-MEMS1Z) dan AI tertanam (EV-COG-AD4050LZ), jaringan mesh nirkabel yang kuat dan andal (SMARTMESH1Z) dari sensor pintar dapat dibuat.
