AIが組み込まれたビッグデータをスマートデータに変換

インダストリー4.0アプリケーションは、大量の複雑なデータ、つまりビッグデータを生成します。センサーの数が増え、一般に利用可能なデータソースにより、マシン、システム、およびプロセスの仮想ビューがさらに詳細になります。これにより、バリューチェーン全体で付加価値を生み出す可能性が自然に高まります。しかし同時に、この値をどのように正確に抽出できるかという疑問が生じ続けています。結局のところ、データ処理のシステムとアーキテクチャはますます複雑になっています。関連する経済的可能性を実現できるのは、関連性が高く、高品質で有用なデータ（スマートデータ）のみです。

課題

可能なすべてのデータを収集し、後で評価、分析、構造化されることを期待してクラウドに保存することは、データから価値を抽出するための広範なアプローチですが、特に効果的なアプローチではありません。データから付加価値を生み出す可能性は十分に活用されておらず、後で解決策を見つけることはより複雑になります。より良い代替策は、アプリケーションに関連する情報と、データフローのどこで情報を抽出できるかを早い段階で検討することです。比喩的に言えば、これはデータを洗練することを意味します。つまり、処理チェーン全体のビッグデータからスマートデータを作成します。どのAIアルゴリズムが個々の処理ステップで成功する可能性が高いかに関する決定は、アプリケーションレベルで行うことができます。この決定は、利用可能なデータ、アプリケーションタイプ、利用可能なセンサーモダリティ、および下位レベルの物理プロセスに関する背景情報などの境界条件によって異なります。

（Image soure：Analog Devices、Inc。）

個々の処理ステップでは、データの正しい処理と解釈が、センサー信号から生成される実際の付加価値にとって非常に重要です。アプリケーションによっては、ディスクリートセンサーデータを正しく解釈して必要な情報を抽出することが難しい場合があります。時間的行動はしばしば役割を果たし、望ましい情報に直接影響を及ぼします。さらに、複数のセンサー間の依存関係を頻繁に考慮する必要があります。複雑なタスクの場合、単純なしきい値と手動で決定されたロジックまたはルールではもはや十分ではありません。

AIアルゴリズム

対照的に、AIアルゴリズムによるデータ処理により、複雑なセンサーデータの自動分析が可能になります。この分析により、データ処理チェーンに沿ったデータから、必要な情報、つまり付加価値が自動的に得られます。

常にAIアルゴリズムの一部であるモデル構築には、基本的に2つの異なるアプローチがあります。

1つのアプローチは、式と、データと目的の情報の間の明示的な関係を使用したモデリングです。これらのアプローチでは、数学的記述の形式で物理的な背景情報を利用できる必要があります。これらのいわゆるモデルベースのアプローチは、センサーデータをこの背景情報と組み合わせて、目的の情報に対してより正確な結果を生成します。ここで最も広く知られている例は、カルマンフィルターです。

データはあるが、数式の形で記述できる背景情報がない場合は、いわゆるデータ駆動型アプローチを選択する必要があります。これらのアルゴリズムは、データから直接必要な情報を抽出します。これらは、線形回帰、ニューラルネットワーク、ランダムフォレスト、隠れマルコフモデルなど、あらゆる種類の機械学習手法を網羅しています。

AIメソッドの選択は、多くの場合、アプリケーションに関する既存の知識に依存します。広範な専門知識が利用できる場合、AIはよりサポート的な役割を果たし、使用されるアルゴリズムは非常に初歩的なものです。専門知識が存在しない場合、使用されるAIアルゴリズムははるかに複雑です。多くの場合、ハードウェアを定義するのはアプリケーションであり、これにより、AIアルゴリズムの制限が定義されます。

埋め込み、エッジ、またはクラウドの実装

個々のステップで必要なすべてのアルゴリズムを備えたデータ処理チェーン全体は、可能な限り最高の付加価値を生み出すことができるように実装する必要があります。実装は通常、全体的なレベルで行われます。コンピューティングリソースが限られている小さなセンサーから、ゲートウェイやエッジコンピューター、大きなクラウドコンピューターまでです。アルゴリズムは1つのレベルでのみ実装されるべきではないことは明らかです。むしろ、通常、アルゴリズムをセンサーのできるだけ近くに実装する方が有利です。そうすることで、データは早い段階で圧縮および改良され、通信およびストレージのコストが削減されます。さらに、データから重要な情報を早期に抽出することにより、より高いレベルでのグローバルアルゴリズムの開発はそれほど複雑ではありません。ほとんどの場合、ストリーミング分析領域のアルゴリズムは、データの不要なストレージを回避するためにも役立ちます。したがって、データ転送とストレージのコストが高くなります。これらのアルゴリズムは、各データポイントを1回だけ使用します。つまり、完全な情報が直接抽出され、データを保存する必要はありません。

エッジでAIアルゴリズムを処理する（つまり、組み込みAI）には、データの取得、処理、制御、および接続のために、アナログおよびデジタル周辺機器を備えた統合マイクロコントローラーが必要です。プロセッサは、データをローカルでリアルタイムにキャプチャして処理できる必要があります。また、最先端のスマートAIアルゴリズムを実行するためのコンピューティングリソースも備えている必要があります。たとえば、アナログ・デバイセズのADuCM4050は、ARM Cortex-M4Fアーキテクチャに基づいており、組み込みAIへの統合された省電力アプローチを提供します。

組み込みAIの実装は、マイクロコントローラーだけにとどまりません。設計を加速するために、多くのシリコンメーカーがEV-COG-AD4050LZのような開発および評価プラットフォームを作成しました。これらのプラットフォームは、マイクロコントローラーとセンサーやHFトランシーバーなどのコンポーネントを組み合わせて、エンジニアが複数のテクノロジーの専門家になることなく、組み込みAIを探索できるようにします。これらのプラットフォームは拡張可能であり、開発者はさまざまなセンサーやその他のコンポーネントを操作できます。たとえば、EV-GEAR-MEMS1Zシールドを使用すると、エンジニアはADXL355を含むADXL35xシリーズなどのさまざまなMEMSテクノロジーをすばやく評価できます。このシールドで使用されるシールドは、優れた振動整流、長期再現性、および低ノイズ性能を小さなフォームで提供します。ファクター。

EV-COG-AD4050LZやEV-GEAR-MEMS1Zのようなプラットフォームとシールドの組み合わせにより、エンジニアは振動、騒音、温度分析に基づく構造ヘルスと機械状態監視の世界に参入できます。必要に応じて他のセンサーをプラットフォームに接続できるため、使用されるAI手法は、いわゆるマルチセンサーデータフュージョンを通じて現在の状況をより正確に推定できます。このようにして、さまざまな動作状態と障害状態をより細かく、より高い確率で分類できます。プラットフォームでのスマート信号処理により、ビッグデータはローカルでスマートデータになり、アプリケーションケースに関連するデータをエッジまたはクラウドに送信するだけで済みます。

プラットフォームアプローチでは、さまざまなワイヤレス通信にシールドを使用できるため、通信も簡素化されます。たとえば、EV-COG-SMARTMESH1Zは、高い信頼性と堅牢性、および非常に低い消費電力を、多数の産業用アプリケーションに対応する6LoWPANおよび802.15.4e通信プロトコルと組み合わせています。 SmartMesh IPネットワークは、データを収集および中継するワイヤレスノードの拡張性の高い自己形成型マルチホップメッシュで構成されています。ネットワークマネージャーは、ネットワークのパフォーマンスとセキュリティを監視および管理し、ホストアプリケーションとデータを交換します。

特に無線電池式状態監視システムの場合、組み込みAIは完全な付加価値を実現できます。 ADuCM4050に組み込まれたAIアルゴリズムによるセンサーデータのスマートデータへのローカル変換により、データフローが少なくなり、その結果、センサーデータをエッジまたはクラウドに直接送信する場合よりも消費電力が少なくなります。

アプリケーション

それらのために開発されたAIアルゴリズムを含むAIアルゴリズム開発プラットフォームは、異常の単純な検出から複雑な障害診断にまで及ぶ、機械、システム、構造、およびプロセスの監視の分野で非常に幅広いアプリケーションを持っています。統合された加速度計、マイクロフォン、および温度センサーの使用により、さまざまな産業用機械およびシステムからの振動や騒音の監視などの機能が可能になります。組み込みAIを使用して、プロセス状態、ベアリングまたはステータの損傷、制御電子機器の障害、さらには電子機器の損傷によるシステム動作の未知の変化を検出できます。特定の損傷に対して予測モデルが利用できる場合、これらの損傷はローカルで予測することもできます。これにより、早期に保守対策を講じることができ、不必要な損傷による故障を回避することができます。予測モデルが存在しない場合、このプラットフォームは、対象分野の専門家が機械の動作を継続的に学習し、時間の経過とともに予知保全のための機械の包括的なモデルを導き出すのにも役立ちます。

理想的には、対応するローカルデータ分析を通じて、組み込みAIアルゴリズムは、それぞれのアプリケーションに関連するセンサーと、それに最適なセンサーを決定できる必要があります。これは、プラットフォームのスマートなスケーラビリティを意味します。現在のところ、AIアルゴリズムは、機械の状態監視のさまざまなアプリケーションの最小限の実装作業ですでにスケーリングできますが、それぞれのアプリケーションに最適なアルゴリズムを見つける必要があるのは、依然として対象分野の専門家です。

組み込みAIは、データの品質についても決定を下す必要があります。データの品質が不十分な場合は、センサーと信号処理全体の最適な設定を見つけて作成する必要があります。センサーフュージョンにいくつかの異なるセンサーモダリティが使用されている場合、AIアルゴリズムは特定のセンサーと方法の欠点を補うことができます。これにより、データ品質とシステムの信頼性が向上します。 AIアルゴリズムがセンサーをアプリケーションとの関連性が最小限であると分類した場合、それに応じてデータフローを調整できます。

ADIのオープンCOGプラットフォームには、無料で入手できるソフトウェア開発キットと、プロトタイプの作成を加速し、開発を促進し、独創的なアイデアを実現するためのハードウェアとソフトウェアの多数のサンプルプロジェクトが含まれています。マルチセンサーデータフュージョン（EV-GEAR-MEMS1Z）と組み込みAI（EV-COG-AD4050LZ）により、スマートセンサーの堅牢で信頼性の高いワイヤレスメッシュネットワーク（SMARTMESH1Z）を作成できます。