Suad Jusuf

Senior Manager

物聯(lián)網(wǎng)（IoT）不僅會改變我們的日常生活，也會改變人類社會的結構。從智能家居到未來工廠，聯(lián)網(wǎng)設備的數(shù)量持續(xù)、快速地增長。人工智能（AI）與物聯(lián)網(wǎng)的結合，改善了人機互動，加強了數(shù)據(jù)管理和分析。為了提高系統(tǒng)效率和決策的準確性，我們現(xiàn)在可以在本地的邊緣或端點設備上運行人工智能模型。然而，對于資源有限的設備而言，在大多數(shù)情況下，機器學習模型的訓練仍然需要在云端進行。訓練后的模型可以部署在邊緣設備上得以執(zhí)行。這種方法得益于云端服務器的高算力（訓練）以及邊緣設備執(zhí)行的低延遲（更快的執(zhí)行響應）。

端點AI，即在網(wǎng)絡邊緣設備上集成人工智能。它將本來僅用于計算數(shù)據(jù)的物聯(lián)網(wǎng)設備轉化為能支持人工智能的更高級的設備，為他們提供了實時決策的能力。目標是使基于機器學習的智能決策在物理上更接近數(shù)據(jù)源，因此AI ML向嵌入式端點轉移。端點人工智能涵蓋廣泛的應用，包括工業(yè)、消費、醫(yī)療保健、運輸、制造、零售等。

智能物聯(lián)網(wǎng)（AIoT）的價值主線是能夠在邊緣部署更多更強的智能，最終實現(xiàn)更大的靈活性。終端設備位于網(wǎng)絡的最邊緣，確切地說是數(shù)據(jù)的來源地，這可以實現(xiàn)更快更準確的反應，同時節(jié)省了不必要的數(shù)據(jù)傳輸、延遲和動態(tài)數(shù)據(jù)安全風險的成本。

第一步是確定問題，依靠系統(tǒng)的相關信息來分析問題并做出適當?shù)臎Q定。然后需要對信息/數(shù)據(jù)進行分類和分組，以研究如何提取特征，從而有利于訓練所需的AI/ML模型。在終端設備運行的人工智能模型可以為復雜的現(xiàn)實世界問題提供更好的洞察力和解決方案。在端點設備上集成人工智能，使開發(fā)者能夠利用強大的機器學習模型，而不需要完全重建他們的系統(tǒng)。

為了在使用人工智能解決現(xiàn)實世界的問題時取得盡可能好的結果，數(shù)據(jù)及其可靠性起著決定性作用。需要一套綜合的方法，使用各種科學手段、算法和流程，從不斷增加的數(shù)據(jù)量中提取洞察力。以算法為核心，從原始數(shù)據(jù)中識別出背后隱藏的模式及信息。這些有價值的見解有助于支持商業(yè)決策，幫助分析商業(yè)困境，并將其轉化為可操作的解決方案。

當批判性思維遇到機器學習算法時，數(shù)據(jù)科學有助于獲得更好的洞察力，指導高效的工作，并為預測提供信息。目標是讓企業(yè)從數(shù)據(jù)科學中受益，做出指導性決策，創(chuàng)造更多的創(chuàng)新產(chǎn)品和服務。其中一個關鍵要求是使用TinyML等技術開發(fā)AI/ML模型，以便能夠在資源有限的終端設備上運行這些模型，從而簡化為嵌入式硬件建立機器學習模型的過程。依靠相關的人工智能工具來獲取機器學習（ML）所需的數(shù)據(jù)，工具向導還會指導你完成模型訓練、模型測試和模型生成的全部過程。

入門流程

構建端點設備上的AI應用程序需要一系列特定的技能，包括數(shù)據(jù)科學、硬件工程、嵌入式編程、軟件工程、機器學習技術，以及正在開發(fā)的應用領域中的專業(yè)知識。構建一個應用程序所需的主要步驟可以分為四個部分，如下圖所示。

案例研究：預測性維護

PdM（預測性維護）是一種由時序數(shù)據(jù)驅動的方法，采用機器學習和預測性數(shù)據(jù)分析來監(jiān)控設備的一系列狀況，這些狀況可能表征出潛在的系統(tǒng)或設備故障?；诟鞣N機器學習模型的預測性維護，開發(fā)人員在給定數(shù)據(jù)集上運行自動化數(shù)據(jù)處理。經(jīng)過訓練的模型可以幫助檢測出潛在的設備故障，并實時執(zhí)行事先定義好的保護或者預警操作。

預測性維護的背后就是一套人工智能技術和機器學習/TinyML算法。這些算法就是以監(jiān)控特定機器的過程中收集的數(shù)據(jù)為運行基礎，這些數(shù)據(jù)也用于訓練可預測潛在異常的算法模型。

在樓宇自動化、家電或工業(yè)自動化等不同類型的電機應用中，都可以看到預測性維護的典型用例。為電機應用部署PdM有助于檢測和管理電機相關故障，基于電機運行過程中產(chǎn)生的振動頻率或信號。一旦建立了故障特征的基線，模式識別可以識別出電機運行中的任何不平衡、錯位、松動或軸承故障。減少系統(tǒng)維護和服務成本的同時保持整體系統(tǒng)的穩(wěn)定性。

電機應用中的一些故障通常與振動異常和負載不平衡有關。這種異常會導致系統(tǒng)失效和過熱，最終會導致電機繞組的絕緣故障、昂貴的維修費用和電機更換期間的長時間停機。這一切都可以通過部署基于人工智能的預測性維護解決方案來避免。

瑞薩電子的RA6T1系列微控制器是專為智能家居、工業(yè)自動化和樓宇自動化中的電機應用而設計，提供豐富的外設和基于人工智能的故障檢測，以滿足從家用電器、HVAC、太陽能逆變器到交流驅動器等電機應用的獨特需求。

基于Arm Cortex-M33內核，新一代RA6T2 32位微控制器的工作頻率為240MHz，具有豐富的外設集合，并為高性能精密電機控制進行了優(yōu)化。擁有高速模擬外設，提高電機控制性能的同時大大降低了物料（BOM）成本。RA6T2 MCU可以同時控制兩個無刷DC（BLDC）電機。

此外，瑞薩為TinyML應用提供了一個專用工具鏈，為基于RA6T2 MCU的系統(tǒng)提供了增強的故障檢測能力，為客戶提供智能、易用、經(jīng)濟的無傳感器電機系統(tǒng)，作為預測性維護的平臺。這種基于TinyML的人工智能模型可以幫助更早、更準確地檢測出電機系統(tǒng)中潛在異常，以幫助客戶改善預測性維護流程，降低維護成本。

瑞薩電子提供基于RA6T2的完整開發(fā)套件，包括硬件開發(fā)組件和軟件模塊，可快速構建支持預測性維護的電機控制解決方案：

RA6T2在單個芯片上集成了PWM定時器和模擬外設，可以同時控制兩臺電機，是電機應用的最佳選擇。

完整的電機解決方案，用于評估和調試電機應用：

硬件套件（MCK-RA6T2），電機工作臺（RMW），以及PdM解決方案都由瑞薩電子提供。

MCK-RA6T2（完整的電機控制開發(fā)平臺）

瑞薩推廣高效的AIOT解決方案，涵蓋語音、視覺和實時分析等廣泛應用。瑞薩與合作伙伴一起，提供完整且高度優(yōu)化的TinyML端點解決方案，包括硬件、軟件和工具，可幫助工程師快速構建基于人工智能的解決方案。

人工智能不是只能運行在云端服務器，它還可以無處不在地運行在任何端點設備上。智能化、減少延遲、數(shù)據(jù)完整性、更迅速的響應、可擴展性等等都是端點人工智能的意義所在，也因此創(chuàng)造了無限的應用可能。

歡迎您使用瑞薩電子的產(chǎn)品開發(fā)業(yè)務應用！我們會一路給予您最好的支持。釋放想象力，迎接無限可能。

END