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 733

  
       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,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,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CONTROL ENGINEERING China版权所有,因为它们跨多个组件或子系统的系统部署控制工程网版权所有,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www.cechina.cn,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www.cechina.cn,它使用计算机算法自动学习以做出预测和决策,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,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 数学的复杂性控制工程网版权所有,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,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CONTROL ENGINEERING China版权所有,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