組合傳感融合機(jī)器學(xué)習(xí)，多傳感平臺(tái)加速智能化感測(cè)

單一傳感類型我們已經(jīng)探討過很多，從振動(dòng)到壓力、從氣體到濕度等等各種物理量的傳感我們已經(jīng)見過不少。不過在實(shí)際使用過程中，尤其是在工業(yè)場(chǎng)景這種工況復(fù)雜的場(chǎng)景里，傳感器大多是以組合的形式出現(xiàn)，通過多個(gè)傳感器共同監(jiān)控某一設(shè)備。

單一傳感到多傳感組合

我們此前就工業(yè)場(chǎng)景里基于狀態(tài)的監(jiān)控，探討過對(duì)其中存在的振動(dòng)傳感、聲壓傳感等需求如何選取相應(yīng)傳感器的注意事項(xiàng)。比如在軸承檢測(cè)上，振動(dòng)傳感器必須具有低噪聲和寬帶寬兩個(gè)關(guān)鍵性能，聲壓傳感需要有更高的頻率，諸如此類。這種預(yù)測(cè)性的維護(hù)當(dāng)然需要高性能的傳感器，但想要實(shí)現(xiàn)這種監(jiān)控，并不是將高性能的傳感器選出來組合在一起就行。

在預(yù)測(cè)性維護(hù)中，想要試圖實(shí)現(xiàn)狀態(tài)監(jiān)控目標(biāo)，會(huì)面臨兩個(gè)主要挑戰(zhàn)。其一，在工業(yè)場(chǎng)景中各種傳感器和分析工具通常是以不同的系統(tǒng)提供的，這意味著各種傳感數(shù)據(jù)的收集和處理會(huì)變得復(fù)雜，從而難以利用數(shù)據(jù)分析現(xiàn)場(chǎng)狀態(tài)。其二，由于各種傳感器布線和其他物理特性的限制，通常無法在用戶所需位置實(shí)現(xiàn)傳感，難以實(shí)現(xiàn)最佳的狀態(tài)監(jiān)控。

因此，解決感數(shù)據(jù)收集和處理難以及傳感設(shè)備布置難的問題成了多傳感組合的首要工作。

傳感器融合到多傳感平臺(tái)

通過上面的分析，其實(shí)大家很容易聯(lián)想到這是現(xiàn)在常被提起的sensor fusion傳感器融合概念。不過多傳感平臺(tái)并不止步于傳感器融合。首先，傳感器融合不是簡(jiǎn)單的傳感器堆疊，它是傳感器的屬性合一。以測(cè)距的傳感器組合為例，這些傳感器進(jìn)行融合的先決條件是傳感器必須在一個(gè)共同參考系中，同時(shí)傳感器必須能夠以某些方式同步或者能用一個(gè)通用的時(shí)間參考。傳感器層面融合之后，加上網(wǎng)絡(luò)模塊、電源模塊甚至是邊緣人工智能模塊才算構(gòu)成了完整的多傳感平臺(tái)。

i3多傳感模塊，TDK

上圖是TDK發(fā)布的i3多傳感模塊，將多傳感技術(shù)、電源技術(shù)、邊緣人工智能技術(shù)組合成一個(gè)微模塊。i3中的傳感器組合包含了振動(dòng)、溫度、聲音、壓力等，是一個(gè)無線多傳感模塊，可以在任何所需位置實(shí)現(xiàn)傳感，而不受布線等物理限制。TDK后續(xù)還會(huì)進(jìn)一步融合新的傳感技術(shù)和電源技術(shù)進(jìn)入該多傳感模塊中。

傳感器檢測(cè)到的數(shù)據(jù)由模塊中的嵌入式邊緣人工智能進(jìn)行處理，不需要在云中聚合和分析數(shù)據(jù)。模塊通過無線網(wǎng)狀網(wǎng)絡(luò)相互連接，只需安裝模塊即可在各個(gè)多傳感模塊之間自動(dòng)形成連接，這極大地促進(jìn)了理想的狀態(tài)監(jiān)控的實(shí)現(xiàn)。 這種由傳感器陣列組成的多傳感平臺(tái)，很好地解決了前面提到的兩個(gè)挑戰(zhàn)，不僅將原本單一的傳感組合了起來，還通過其他技術(shù)手段將其可以實(shí)現(xiàn)的功能做了進(jìn)一步拓展。

多傳感平臺(tái)中的ML

TDK的i3嵌入了邊緣人工智能，Nordic去年發(fā)布的多傳感器原型構(gòu)建平臺(tái)Thingy:53同樣支持嵌入式機(jī)器學(xué)習(xí)。Thingy 53結(jié)合雙Arm Cortex-M33處理器、電源管理 IC、PA/LNA范圍擴(kuò)展器和多個(gè)傳感器，并且?guī)в星度胧綑C(jī)器學(xué)習(xí)固件。

Thingy:53，Nordic

Thingy:53主要針對(duì)物聯(lián)網(wǎng)應(yīng)用，所以傳感器方面組合了IMU、溫度、濕度、空氣質(zhì)量和壓力傳感器等等，其中的ML固件通過傳感器收集的訓(xùn)練和測(cè)試數(shù)據(jù)，在云上構(gòu)建和測(cè)試嵌入式 ML 模型。

ADI的狀態(tài)監(jiān)控多傳感平臺(tái)同樣結(jié)合了終端人工智能和云洞察力，以實(shí)現(xiàn)連續(xù)狀態(tài)監(jiān)控和按需診斷，通過不斷學(xué)習(xí)幫助識(shí)別機(jī)器故障，從而提早預(yù)測(cè)故障。

現(xiàn)在的趨勢(shì)是在多傳感平臺(tái)中融合機(jī)器學(xué)習(xí)固件，對(duì)傳感器數(shù)據(jù)進(jìn)行深度融合，進(jìn)行匯總、篩選、訓(xùn)練、判斷。整個(gè)過程分為訓(xùn)練和推理，訓(xùn)練過程通常在云中離線進(jìn)行，需要將大量的傳感器數(shù)據(jù)反饋到神經(jīng)網(wǎng)絡(luò)中。訓(xùn)練完成后的傳感平臺(tái)可以更好地利用數(shù)據(jù)分析現(xiàn)場(chǎng)設(shè)備狀態(tài)。多傳感平臺(tái)正向著智能化傳感快速發(fā)展。

小結(jié)

從傳感器融合的概念到完整的多傳感平臺(tái)，再將多傳感器與邊緣人工智能整合開始應(yīng)用，這種成熟的多傳感器平臺(tái)無疑會(huì)大大加快相關(guān)場(chǎng)景的智能化感測(cè)。

審核編輯 ：李倩