내장된 AI로 빅 데이터를 스마트 데이터로 전환

인더스트리 4.0 애플리케이션은 방대한 양의 복잡한 데이터, 즉 빅 데이터를 생성합니다. 센서의 수가 증가하고 일반적으로 사용 가능한 데이터 소스가 증가함에 따라 기계, 시스템 및 프로세스의 가상 보기가 더욱 상세해졌습니다. 이는 전체 가치 사슬에 걸쳐 부가가치를 창출할 가능성을 자연스럽게 증가시킵니다. 그러나 동시에 이 값을 정확히 어떻게 추출할 수 있는지에 대한 질문이 계속 제기되고 있습니다. 결국 데이터 처리를 위한 시스템과 아키텍처는 점점 더 복잡해지고 있습니다. 관련성이 높고 고품질이며 유용한 데이터(스마트 데이터)만이 관련 경제적 잠재력을 실현할 수 있습니다.

도전

가능한 모든 데이터를 수집하고 나중에 평가, 분석 및 구조화할 수 있도록 클라우드에 저장하는 것은 널리 퍼져 있지만 데이터에서 가치를 추출하는 데 특별히 효과적인 접근 방식은 아닙니다. 데이터에서 부가 가치를 생성할 가능성은 여전히 ​​부족하며 나중에 솔루션을 찾는 것이 더 복잡해집니다. 더 나은 대안은 애플리케이션과 관련된 정보와 데이터 흐름에서 정보를 추출할 수 있는 위치를 결정하기 위해 초기에 고려하는 것입니다. 비유적으로 말하자면, 이는 데이터를 정제하는 것, 즉 전체 처리 체인에 대한 빅 데이터에서 스마트 데이터를 만드는 것을 의미합니다. 개별 처리 단계에서 어떤 AI 알고리즘이 성공 확률이 높은지에 대한 결정은 애플리케이션 수준에서 내릴 수 있습니다. 이 결정은 사용 가능한 데이터, 응용 프로그램 유형, 사용 가능한 센서 양식 및 하위 수준의 물리적 프로세스에 대한 배경 정보와 같은 경계 조건에 따라 달라집니다.

(이미지 출처:Analog Devices, Inc.)

개별 처리 단계에서 데이터의 올바른 처리 및 해석은 센서 신호에서 생성되는 실제 부가가치를 위해 매우 중요합니다. 애플리케이션에 따라 이산 센서 데이터를 올바르게 해석하고 원하는 정보를 추출하기 어려울 수 있습니다. 시간적 행동은 종종 역할을 하며 원하는 정보에 직접적인 영향을 미칩니다. 또한 여러 센서 간의 종속성을 자주 고려해야 합니다. 복잡한 작업의 경우 단순한 임계값과 수동으로 결정된 논리 또는 규칙으로는 더 이상 충분하지 않습니다.

AI 알고리즘

이에 반해 AI 알고리즘을 통한 데이터 처리는 복잡한 센서 데이터의 자동화된 분석을 가능하게 한다. 이 분석을 통해 데이터 처리 체인을 따라 데이터에서 원하는 정보와 그에 따른 부가가치가 자동으로 도출됩니다.

항상 AI 알고리즘의 일부인 모델 구축에는 기본적으로 두 가지 접근 방식이 있습니다.

한 가지 접근 방식은 데이터와 원하는 정보 간의 명시적 관계 및 공식을 사용하여 모델링하는 것입니다. 이러한 접근 방식을 사용하려면 수학적 설명의 형태로 물리적 배경 정보를 사용할 수 있어야 합니다. 이러한 소위 모델 기반 접근 방식은 센서 데이터를 이 배경 정보와 결합하여 원하는 정보에 대한 보다 정확한 결과를 산출합니다. 여기에서 가장 널리 알려진 예는 칼만 필터입니다.

데이터는 있지만 수학 방정식의 형태로 설명할 수 있는 배경 정보가 없으면 소위 데이터 기반 접근 방식을 선택해야 합니다. 이러한 알고리즘은 데이터에서 원하는 정보를 직접 추출합니다. 여기에는 선형 회귀, 신경망, 랜덤 포레스트, 은닉 마르코프 모델을 포함한 모든 범위의 기계 학습 방법이 포함됩니다.

AI 방법의 선택은 종종 응용 프로그램에 대한 기존 지식에 따라 다릅니다. 광범위한 전문 지식을 사용할 수 있다면 AI가 더 많은 지원 역할을 하고 사용되는 알고리즘은 매우 기초적입니다. 전문 지식이 없으면 사용되는 AI 알고리즘이 훨씬 더 복잡해집니다. 대부분의 경우 하드웨어를 정의하는 것은 애플리케이션이며 이를 통해 AI 알고리즘의 한계를 정의합니다.

임베디드, 에지 또는 클라우드 구현

각 개별 단계에 필요한 모든 알고리즘이 포함된 전체 데이터 처리 체인은 가능한 가장 높은 부가가치를 생성할 수 있는 방식으로 구현되어야 합니다. 구현은 일반적으로 게이트웨이 및 에지 컴퓨터를 통해 컴퓨팅 리소스가 제한된 소형 센서에서 대형 클라우드 컴퓨터에 이르기까지 전반적인 수준에서 발생합니다. 알고리즘이 한 수준에서만 구현되어서는 안 된다는 것은 분명합니다. 오히려, 일반적으로 가능한 한 센서에 가깝게 알고리즘을 구현하는 것이 더 유리합니다. 이를 통해 초기 단계에서 데이터를 압축 및 정제하고 통신 및 저장 비용을 절감할 수 있습니다. 또한 데이터에서 필수 정보를 조기에 추출하여 상위 수준의 글로벌 알고리즘 개발이 덜 복잡합니다. 대부분의 경우 스트리밍 분석 영역의 알고리즘은 불필요한 데이터 저장을 방지하는 데도 유용하므로 데이터 전송 및 저장 비용이 많이 듭니다. 이러한 알고리즘은 각 데이터 포인트를 한 번만 사용합니다. 즉, 완전한 정보를 직접 추출하고 데이터를 저장할 필요가 없습니다.

에지(예:임베디드 AI)에서 AI 알고리즘을 처리하려면 데이터 수집, 처리, 제어 및 연결을 위한 아날로그 및 디지털 주변기기가 있는 통합 마이크로컨트롤러가 필요합니다. 프로세서는 또한 실시간으로 로컬에서 데이터를 캡처 및 처리할 수 있어야 하며 최첨단 스마트 AI 알고리즘을 실행하기 위한 컴퓨팅 리소스를 보유해야 합니다. 예를 들어 Analog Devices의 ADuCM4050은 ARM Cortex-M4F 아키텍처를 기반으로 하며 임베디드 AI에 대한 통합 및 절전 방식을 제공합니다.

임베디드 AI를 구현하는 것은 단순한 마이크로컨트롤러 그 이상입니다. 설계를 가속화하기 위해 많은 실리콘 제조업체에서 EV-COG-AD4050LZ와 같은 개발 및 평가 플랫폼을 만들었습니다. 이 플랫폼은 센서 및 HF 트랜시버와 같은 구성 요소가 있는 마이크로 컨트롤러를 결합하여 엔지니어가 여러 기술의 전문가가 되지 않고도 임베디드 AI를 탐색할 수 있도록 합니다. 이러한 플랫폼은 확장 가능하므로 개발자가 다양한 센서 및 기타 구성 요소로 작업할 수 있습니다. 예를 들어 EV-GEAR-MEMS1Z 쉴드는 엔지니어가 ADXL355를 비롯한 ADXL35x 시리즈와 같은 다양한 MEMS 기술을 빠르게 평가할 수 있도록 하며 이 쉴드에 사용되어 작은 형태로 우수한 진동 정류, 장기간 반복성 및 저잡음 성능을 제공합니다. 요인.

EV-COG-AD4050LZ 및 EV-GEAR-MEMS1Z와 같은 플랫폼과 실드의 조합을 통해 엔지니어는 진동, 소음 및 온도 분석을 기반으로 하는 구조적 상태 및 기계 상태 모니터링의 세계로 진입할 수 있습니다. 필요에 따라 다른 센서를 플랫폼에 연결할 수 있으므로 사용된 AI 방법이 소위 다중 센서 데이터 융합을 통해 현재 상황에 대한 더 나은 추정을 제공할 수 있습니다. 이러한 방식으로 다양한 작동 및 오류 조건을 더 세밀하고 더 높은 확률로 분류할 수 있습니다. 플랫폼에서 스마트 신호 처리를 통해 빅데이터가 로컬에서 스마트 데이터가 되어 애플리케이션 사례와 관련된 데이터만 엣지나 클라우드로 보내면 된다.

플랫폼 접근 방식은 또한 다양한 무선 통신에 쉴드를 사용할 수 있으므로 통신을 단순화합니다. 예를 들어 EV-COG-SMARTMESH1Z는 높은 신뢰성과 견고성, 극도로 낮은 전력 소비를 결합하여 수많은 산업용 애플리케이션을 처리하는 6LoWPAN 및 802.15.4e 통신 프로토콜을 사용합니다. SmartMesh IP 네트워크는 데이터를 수집하고 중계하는 무선 노드의 확장성이 뛰어난 자체 형성 멀티홉 메시로 구성됩니다. 네트워크 관리자는 네트워크 성능 및 보안을 모니터링 및 관리하고 호스트 애플리케이션과 데이터를 교환합니다.

특히 무선 배터리로 작동되는 상태 모니터링 시스템의 경우 임베디드 AI가 전체 부가가치를 실현할 수 있습니다. ADuCM4050에 내장된 AI 알고리즘에 의해 센서 데이터를 스마트 데이터로 로컬 변환하면 센서 데이터를 에지나 클라우드로 직접 전송할 때보다 데이터 흐름이 줄어들고 결과적으로 전력 소비가 줄어듭니다.

응용 프로그램

이를 위해 개발된 AI 알고리즘을 포함한 AI 알고리즘 개발 플랫폼은 단순한 이상 감지에서 복잡한 결함 진단에 이르는 기계, 시스템, 구조 및 프로세스 모니터링 분야에서 매우 광범위한 애플리케이션을 보유하고 있습니다. 통합 가속도계, 마이크 및 온도 센서를 사용하면 다양한 산업 기계 및 시스템의 진동 및 소음 모니터링과 같은 기능이 가능합니다. 임베디드 AI는 공정 상태, 베어링 또는 고정자 손상, 제어 전자 장치의 고장, 전자 장치 손상으로 인한 시스템 동작의 알려지지 않은 변화를 감지하는 데 사용할 수 있습니다. 특정 손상에 대한 예측 모델을 사용할 수 있는 경우 이러한 손상을 국부적으로 예측할 수도 있습니다. 이를 통해 조기에 유지 보수 조치를 취할 수 있어 불필요한 손상 기반 고장을 방지할 수 있습니다. 예측 모델이 없는 경우 플랫폼은 주제 전문가가 기계의 동작을 연속적으로 학습하고 시간이 지남에 따라 예측 유지보수를 위한 기계의 포괄적인 모델을 도출하는 데 도움이 될 수 있습니다.

이상적으로는 해당 로컬 데이터 분석을 통해 임베디드 AI 알고리즘이 각 애플리케이션에 적합한 센서와 가장 적합한 알고리즘을 결정할 수 있어야 합니다. 이는 플랫폼의 스마트한 확장성을 의미합니다. AI 알고리즘은 이미 기계 상태 모니터링의 다양한 응용 프로그램에 대해 최소한의 구현 노력으로 확장될 수 있지만 현재로서는 각각의 응용 프로그램에 가장 적합한 알고리즘을 찾아야 하는 것은 여전히 ​​주제 전문가입니다.

임베디드 AI는 또한 데이터 품질에 대한 결정을 내려야 하며, 불충분한 경우 센서와 전체 신호 처리에 대한 최적의 설정을 찾아내어야 합니다. 센서 융합에 여러 가지 다른 센서 방식이 사용되는 경우 AI 알고리즘은 특정 센서 및 방법의 단점을 보완할 수 있습니다. 이를 통해 데이터 품질 및 시스템 신뢰성이 향상됩니다. AI 알고리즘이 센서를 애플리케이션과 최소한의 관련성이 있는 것으로 분류하면 그에 따라 데이터 흐름이 제한될 수 있습니다.

ADI의 개방형 COG 플랫폼에는 무료로 사용 가능한 소프트웨어 개발 키트와 프로토타입 생성을 가속화하고 개발을 촉진하며 독창적인 아이디어를 실현하기 위한 하드웨어 및 소프트웨어에 대한 수많은 예제 프로젝트가 포함되어 있습니다. 다중 센서 데이터 융합(EV-GEAR-MEMS1Z) 및 임베디드 AI(EV-COG-AD4050LZ)를 통해 스마트 센서의 강력하고 안정적인 무선 메시 네트워크(SMARTMESH1Z)를 만들 수 있습니다.