Skip to main content

AI • 物联网 • 网络边缘

设备内的工程师:适用于物联网网关的深度学习人工智能

随着感知节点的增加,数据不需要很长时间就能形成数据流,然后形成数据河,很快又会形成数据湖。 负责管理机械和系统的工程师很快就会被数据淹没。

通用数据平台可能用处不大。 因此,分析软件需要“像工程师一样思考”。也就是说,它需要一个框架来处理工程师的维护、故障预测和故障排除的优先级。

这正是 Flutura 在创造 Cerebra 平台时想要实现的目标。 Cerebra 的关键差异化优势在于它使用工程师的思维模型来提供数据。

“借助 Cerebra,我们能够通过可检测可能导致[system]故障的常见‘事故’的算法,将数据湖转化为工程师的框架”Flutura 首席产品官 Derick Jose 说道。

工程师的思维模型

对于任何参加过工程培训的人,Jose 对思维模型的描述听起来可能会比较熟悉,Cerebra 就是运用这种模型来快速呈现有关资产的数据的。

  • 资产遵循什么流程?(解释操作意图和参数。)
  • 资产可能会以什么方式发生故障?(定义故障模式。)
  • 过去 90 天内对资产实施的干预措施是什么性质?(跟踪维护和维修历史记录。)
  • 操作的周边环境如何?(您是在西伯利亚还是在得克萨斯?)
  • 警报的频率触发如何?警报无人处理的频率如何?(分析历史行为。)

Jose 说:“除非您将这一世界观反映在数据产品上,否则信息用户很难处理它,并从中获取行之有效的洞察。”

虽然该模型可以应用于任何物联网应用,但 Flutura 目前专注于能源和工程行业(图 1)。

图 1. Flutura 的 Cerebra 平台采用深度学习算法,将数据映射到工程师的视角。 (图片来源:Flutura

将数据映射到思维模型

将原始数据湖转化为工程师思维模型的过程正在申请专利。 虽然公司可以与客户合作部署从传感器到网关的任何设备,但其核心 IP 仍然在其算法中。

该算法通过将输入数据分解成多个流事件或即时参数,从而开始整个进程。 这些可以是报警、跳闸或状态转换,然后根据数据的频率和结构进行细分。 接着,Cerebra 应用电气、液压或热子系统、这些子系统的各种故障模式以及这些故障模式的主要原因的相关元模型。 每个元模型均由跨越 65 个实体的 180 个数据元素组成。

“我们将所有的数据湖转化为 Cerebra 元模型,一旦适当地形成了模型,工程师就可以在 Cerebra 平台中获得完整的视图。”Jose 表示。

模型的输入可以包括传感器、环境条件、维护历史记录,历史事件,甚至还可以包括资产与相邻资产的关系。 即使没有连接,发烫或发出电噪声的电机也可能会影响附近的电路板或系统。 很少有系统能够在完全隔绝的环境下工作。

高敏感性

深度学习算法不断地将噪声很多的数据波形分解成 Flutura 称为“特征向量”的元素,并对其进行分析。 Jose 说:“我们拥有大约 220 多个波形特征向量,它们唯一地描述了一个波形,在此之上有很多 IP。” “一旦您开始深入了解这些特征向量,您会发现,相比深入了解原始时间序列数据本身,它能让您以更好的方式获得有关资产的信息。”

该算法对波形的小变化的敏感性,及其将这些干扰与过去发生的故障序列相关联的能力,才真正让 Cerebra 与众不同。

降低成本和新收入模型

随着数据被精准收集和分析,更多的优势将随之出现。 例如,数据的用户可能是从现场工程师到远程维护团队的任何人。 如果日常维护可能需要部署卡车或直升机,那么分析将确定是否真正需要,从而节省开销成本。

在更高层次,可以使用数据来提高质量和改善流程来,从而进一步降低成本。 对于设备供应商,销售或租赁设备的服务合同可以根据地理位置和环境条件修改:北达科他州与德克萨斯州或委内瑞拉有所不同。 另外,就设备责任而言,如果某一设备在现场发生故障,供应商可以确定当时的使用条件是否不在保修范围内中。

进一步说,预测分析也有众多好处,因为它不仅可以减少宕机时间,而且也为设备供应商和 OEM 开发“预测即服务”“监控即服务”或“诊断即服务”业务模式提供了机会,带来额外的经常性收入。

“我们将其称为数字脐带”Jose 说道。 “这就是我们所进行的工作。”

很多人也会将产生新的经常性收入流的能力为“圣杯”。

让设备智能化

Cerebra 本身与硬件无关,但是 Flutura 已经帮助客户在 Dell Edge Gateway 5000 系列中实施,其中使用了英特尔凌动® 处理器(图 2)。

图 2. Flutura 已经在基于英特尔凌动® 处理器的 Dell Edge Gateway 5000 系列中实施了其 Cerebra 算法。 (引用  Dell 图片)

尽管 Cerebra 与硬件无关,驻留于边缘设备的软件堆栈中,但是它确实依赖于深度学习算法来检测导致故障的最重要的功能。 尽管算法尚未针对各种处理架构进行基准测试,但 Jose 指出,可以通过使用英特尔处理器来提升性能。 这很幸运,鉴于“我们所使用的大多数网关,我会说 95% 的网关内嵌了英特尔处理器。”Flutura 执行副总裁兼美洲区负责人 Rick Harlow 说道。

最大程度利用工程师的观点

负责监测、诊断和修复从工厂到石油钻机的大型设备的工程师需要以有意义的方式查看信息。 Flutura 的 Cerebra 平台采用深度学习算法,以工程师的视角呈现数据。

这样一来,设备所有者可以减少宕机时间并改善流程,而设备供应商可以获得新的经常性收入流,其中包括“预测即服务”和“诊断即服务”。

作者简介

Patrick Mannion is a independent content developer and consultant who has been analyzing developments in technology for more than 25 years. Formerly Brand Director for EETimes, EDN, Embedded, Planet Analog, and Embedded.com, now part of AspenCore, he has also been developing and executing community-oriented online- and events-based engineer-to-engineer learning platforms. His focus is on connecting engineers to find novel design solutions and focused skills acquisition in the areas of Embedded, IoT, Test and Measurement, RF/Wireless, and Analog & Mixed-Signal Design.

Profile Photo of Patrick Mannion