Memanfaatkan AI Embedded untuk Mengubah Big Data menjadi Wawasan Pintar yang Dapat Dindaklanjuti
Industry 4.0 menghasilkan volume data sensor kompleks yang tak terhitung—umumnya disebut big data. Dengan ribuan sensor dan aliran data yang terus berkembang, representasi digital dari mesin, sistem, dan proses menjadi semakin detail. Granularitas ini membuka nilai baru di seluruh rantai nilai, namun mengekstrak nilai tersebut tetap menjadi tantangan besar. Kunci terletak pada mengubah data mentah yang besar menjadi informasi berkualitas tinggi dan dapat ditindaklanjuti—smart data—yang menghasilkan manfaat ekonomi nyata.
Tantangan
Pendekatan konvensional untuk mengumpulkan setiap titik data, menyimpannya di cloud, dan kemudian menganalisis secara retrospektif tidak efisien dan sering tidak efektif. Akumulasi data yang tidak terstruktur mengakibatkan wawasan yang kurang dimanfaatkan dan menyulitkan solusi di masa depan. Pendekatan yang lebih strategis dimulai dari sumber: identifikasi informasi mana yang benar-benar relevan untuk aplikasi dan tentukan di mana dalam alur data informasi harus diekstrak. Dalam efeknya, ini berarti menyaring dan menyempurnakan big data menjadi smart data di seluruh rantai pemrosesan. Keputusan tentang algoritma AI paling menjanjikan untuk setiap langkah harus dibuat pada tingkat aplikasi, mempertimbangkan data yang tersedia, modalitas sensor, dan pengetahuan tentang proses fisik yang mendasarinya.
Algoritma AI
Pemrosesan data yang didorong AI mengotomatiskan analisis aliran sensor kompleks, mengekstrak informasi yang diinginkan dan menghasilkan nilai secara real time.
Ada dua keluarga besar model AI:
Metode berbasis model bergantung pada hubungan matematika eksplisit antara input dan output. Mereka mengintegrasikan data sensor dengan pengetahuan latar belakang fisik, menghasilkan hasil yang sangat akurat. Filter Kalman adalah contoh yang paling umum dikenal.
Metode berbasis data belajar langsung dari data ketika tidak ada model matematika yang cocok. Spektrum meliputi regresi linier, jaringan syaraf tiruan, random forest, dan model Markov tersembunyi.
Memilih pendekatan yang tepat bergantung pada kedalaman pengetahuan domain. Apabila wawasan ahli melimpah, algoritma yang lebih sederhana cukup. Apabila pengetahuan jarang, model yang lebih canggih dan berpusat data menjadi diperlukan. Aplikasi itu sendiri sering menentukan keterbatasan hardware yang membentuk algoritma AI yang feasible.
Implementasi Embedded, Edge, dan Cloud
Rantai pemrosesan data dari ujung ke ujung harus diatur untuk memaksimalkan nilai. Implementasi biasanya mencakup dari sensor yang terbatas sumber daya hingga server cloud yang kuat. Menerapkan algoritma dekat dengan sensor—di edge—menawarkan beberapa keuntungan: kompresi data awal, mengurangi biaya komunikasi dan penyimpanan, dan menyederhanakan algoritma tingkat lebih tinggi. Teknik analisis streaming dapat lebih jauh menghilangkan kebutuhan untuk menyimpan data mentah dengan mengekstrak isi informasi penuh di tempat.
Menjalankan AI di edge (embedded AI) memerlukan mikrokontroler yang menggabungkan akuisisi analog/digital, pemrosesan waktu nyata, kontrol, dan konektivitas. Ia juga harus mendukung model AI terbaru. Analog Devices ADuCM4050, yang dibangun pada inti ARM Cortex-M4F, menyediakan platform terintegrasi hemat daya untuk embedded AI.
Percepatan desain diwakilkan oleh kit evaluasi produsen silikon. Misalnya, EV-COG-AD4050LZ menggabungkan ADuCM4050 dengan sensor, transceiver HF, dan shield modular, memungkinkan prototipe cepat tanpa keahlian mendalam di berbagai domain. Shield EV-GEAR-MEMS1Z memungkinkan insinyur untuk menguji akselemeter MEMS seperti ADXL355, yang dikenal karena isolasi getaran yang superior, repeatabilitas jangka panjang, dan kebisingan rendah dalam bentuk kompak.
Kombinasi platform dan shield ini membuka jalan ke pemantauan kesehatan struktural dan kondisi mesin berdasarkan analisis getaran, kebisingan, dan suhu. Fusi data multisensor lebih menyempurnakan estimasi status sistem, meningkatkan akurasi klasifikasi untuk kondisi operasi dan kegagalan. Pemrosesan sinyal pintas di platform mengubah big data menjadi smart data secara lokal, sehingga hanya informasi yang relevan yang diteruskan ke edge atau cloud.
Komunikasi disederhanakan oleh shield nirkabel khusus. Misalnya, EV-COG-SMARTMESH1Z mendukung 6LoWPAN dan 802.15.4e, memberikan keandalan tinggi, konsumsi daya rendah, dan jaringan mesh multihop yang terbentuk sendiri yang cocok untuk penerapan industri. Jaringan SmartMesh IP dipantau oleh manajer jaringan yang memastikan performa, keamanan, dan pertukaran data yang mulus dengan aplikasi host.
Untuk sistem pemantauan kondisi yang beroperasi baterai, embedded AI secara dramatis mengurangi lalu lintas data—dan oleh karena itu konsumsi daya—dengan mengubah aliran sensor mentah menjadi smart data sebelum transmisi.
Aplikasi
Platform pengembangan algoritma AI—beserta model AI yang disediakannya—meliputi spektrum luas skenario pemantauan mesin, sistem, struktur, dan proses. Dari deteksi anomali sederhana hingga diagnostik kegagalan kompleks, akselemeter, mikrofon, dan sensor suhu terintegrasi memungkinkan pemantauan getaran, kebisingan, dan tanda termal di seluruh aset industri yang beragam.
Embedded AI dapat mendeteksi status proses, keausan lag stator, kegagalan elektronika kontrol, dan perubahan perilaku yang tidak terduga yang disebabkan oleh kerusakan elektronik. Ketika model prediktif ada, sistem dapat meramalkan kegagalan mendatang secara lokal, memungkinkan pemeliharaan pencegahan yang menghindari downtime yang mahal. Dalam absence model prediktif, platform dapat membantu ahli domain untuk secara iteratif mempelajari perilaku mesin dan membangun model prediktif komprehensif seiring waktu.
Idealnya, analisis data lokal harus secara otonom menentukan sensor dan algoritma mana yang paling relevan untuk setiap aplikasi, memungkinkan skalabilitas pintar. Saat ini, ahli subjek masih memilih algoritma optimal, meskipun embedded AI dapat menskala dengan usaha minimal di berbagai kasus penggunaan pemantauan kondisi mesin.
Embedded AI juga dapat menilai kualitas data secara real time, menyesuaikan pengaturan sensor dan pipeline pemrosesan sinyal secara otomatis. Dalam skenario fusi multisensor, AI mengakomodasi kelemahan modalitas individual, meningkatkan keandalan keseluruhan. Sensor yang dianggap kurang relevan dapat memiliki aliran data mereka dibatasi untuk menghemat bandwidth.
Platform COG open dari Analog Devices menyediakan SDK yang tersedia secara gratis dan banyak contoh proyek perangkat lunak/hardware, mempercepat pengembangan prototipe dan inovasi. Dengan menggabungkan fusi data multisensor (EV-GEAR-MEMS1Z), embedded AI (EV-COG-AD4050LZ), dan jaringan mesh nirkabel yang andal (SMARTMESH1Z), insinyur dapat menyebarkan jaringan sensor yang tangguh dan scalable dengan usaha minimal.
