用户中心

资讯 > 自动化软件

资产管理中的AI:从宏观走向微观

作者:www.cechina.cn2022.01.24阅读 294

  
       尽管人工智能 (AI) 已经在工业领域出现并使用了20多年,但直到最近,工业才开始更大规模地采用该技术。采用缓慢的原因之一是所需的计算资源CONTROL ENGINEERING China版权所有,另一个原因是开发模型的工具。工具之所以重要,是因为在人工智能中要记住的关键词是人工。AI 需要数据科学家来添加智能。
  人们常见的大多数关于数据分析(分析数据集以发现趋势、回答问题并得出结论)和AI(使用数据集/分析做出决策)的应用都在IT和商业世界中,包括检测网络流量模式的变化作为网络安全违规的指标控制工程网版权所有,或监控电子交易以管理金融服务风险。
  对于许多 AI 应用程序,开发是使用计算机阵列的强大处理能力完成的,然后将结果转换为更简单的算法,该算法可以在现场/终端设备的典型计算环境中运行。随着语音和面部识别在手持设备、车辆和智能扬声器上激增,我们所有人都越来越熟悉日常生活中的AI。
       
  走向微观层的工业AI 
  多年来,工业界也一直在使用AI。一些示例包括模糊或不清晰界面的视觉模式识别,诊断泵密封件故障(即使是很小的泄漏),以及优化管道的运行以平衡吞吐量与能源消耗等。这种类型的项目通常能带来很大的财务回报。
  这些示例通常是"宏观"层级的资产管理,因为它们跨多个组件或子系统的系统部署,以使流程或设施运行得更好或识别异常情况。
  资产管理的下一个层次是在一台机器或一台设备上应用AI,可能用于泵或电机的振动分析或电气谐波分析,以预测何时需要维护。由于计划外故障的潜在影响,这些应用也将为企业带来显著的财务回报。
  在自动化领域,大多数的AI应用程序目前都在这个中间层部署和使用,机器学习 (ML) 已经开始取得进展。ML 是 AI 的一个子集,它使用计算机算法自动学习以做出预测和决策CONTROL ENGINEERING China版权所有,而无需直接进行编程。与大多数数字化事物一样,越是在 Purdue 模型的更低级别提供所需的处理能力时(更接近现场的传感器),算法也会变得更好。
  事实上,AI现在正应用于"微观"层面,甚至使用传感器中的内部原始信号来提供有关设备健康状况、信号质量或指示过程异常的附加信息。一种简单类型的(纳米)AI应用的例子是用于压力变送器的插入式脉冲线指示器。
  AI技术也被用于控制阀,以持续监控阀门对命令变化的响应,比较阀门的移动方式以及需要多少空气才能移动。阀门的其他AI 应用包括跟踪循环以预测磨损、轴中没有运动时的"振动"作为气穴现象的指标CONTROL ENGINEERING China版权所有,或阀门运动部件相对于其阀座的位置作为必要维护的指标等。
  今天的现场传感器对于这些类型的分析具有有限的备用处理能力,因此需要将结果简化为算法。然而,数字通信网络可以将原始信号传递到另一个设备,或者在短时间内传递到控制器以进行捕获和后续分析或处理。
  尽管目前在微观层面实施 ML 尚不现实,但用于实施 AI 的 ML 平台现在可以在单板计算机上使用,这意味着它很快就会实现——任何人都可以使用这些小型、低成本的处理器可以开始实施AI。
  借助 SBC 和开源工具
  由于成本、带宽或功率限制,或者有时是三者的组合,今天生成的大部分传感器数据都被丢弃了。例如,大量未使用或丢弃的资产管理数据被搁浅在设备中。图像传输是另一种带宽密集型操作,AI可以通过边缘处理和仅传输状态的相关变化来提供有用的信息。
  面部识别和其他图像分析等应用似乎是使用最广泛的AI技术。对于那些希望使用小型平台(如个人电脑和普通用户可用的类似处理器上的平台)了解更多ML和AI的人来说,它们可以提供示例或培训数据集。
  毫不奇怪,在更广泛的AI领域工作的企业,特别是英伟达和谷歌,也在推动AI技术在小尺寸处理器上运行,例如 ARM 和其他精简指令集计算机 (RISC),它们是大多数单板计算机(SBC)和微控制器的基础。
  这些企业意识到,要在这些较小的平台上运行生成的算法,他们需要通过进行某些更改来降低 ML 数学的复杂性,例如用简单的八位运算替换浮点计算。这一变化创建了工作效率更高的 ML 模型,并且需要更少的处理和内存资源。
  优化 ML 的工作负载
  为了使由此产生的工具更广泛地可用并鼓励它们的使用和采用,包括 ARM、谷歌和高通在内的组织成立了tinyML。这是一个专注于优化 ML 工作负载的联盟,因此它们可以在不超过一粒米的微控制器上进行处理,并且仅消耗几毫瓦的功率。
  该组织允许各个级别的开发人员访问可以轻松开始AI和ML的工具。所需要的只是一台笔记本电脑、一个开源软件库和一根 USB 电缆控制工程网版权所有,用于将笔记本电脑连接到开发板。除了电路板本身之外,通常还需要其他元素来收集数据,例如用于图像的相机。
  用于开发和训练 ML 模型的最广泛使用的开源工具之一是TensorFlow,它可以直接在浏览器中的服务器上运行。然而,TensorFlow需要比微控制器或SBC上通常可用的更多的处理,因此该团队还开发了TensorFlow Lite Micro,用于具有更小封装外形的系统。
  我们所有人都意识到,收集和准备要使用的数据代表了任何项目中的大部分工作。人工智能和数据科学也是如此,其中大部分工作是数据建模、准备和测试。这些步骤可能要占总共占项目时间的 80%。
  这些数据集往往非常大,并且因为 SBC 和微处理器控制器的处理能力有限,模型开发通常是离线完成的,只有最终的任务特定算法在终端设备上运行。
  在工业领域,AI正在从"宏观"层级的资产管理,向“微观”层级的轻量级应用深入探寻。现在是时候让你们每个人决定要使用 AI 改进哪个流程,然后构建它以在您的环境中进行测试,以开始以最少的投资获取 AI 的好处。
       
版权声明:版权归控制工程网所有,转载请注明出处!

频道推荐

关于我们

控制工程网 & CONTROL ENGINEERING China 全球工业控制、自动化和仪器仪表领域的先锋媒体

CE全球

联系我们

商务及广告合作
任小姐(北京)                 夏小姐(上海)
电话:010-82053688      电话:18616877918
rendongxue@cechina.cn      xiashuxian@cechina.cn
新闻投稿:王小姐

关注我们的微信

关于我们 | 网站地图 | 联系我们
© 2003-2020    经营许可编号:京ICP证120335号
公安机关备案号:110102002318  服务热线:010-82053688