高性能嵌入式计算 + 人工智能 = 预测性维护投资回报

October 5, 2021

Brandon Lewis

计算机视觉、预测性维护、工业边缘人工智能

当您将预测性维护等技术的所有复杂和创新层面全部剥离，您会发现它们的核心是节约成本的解决方案。

Peter Darveau 是一家专门从事自动化系统、安全仪表设备和机器学习的技术服务公司 Hexagon Technology Inc. 的工程主管兼首席工程师。他承认预测性维护的首要目标是分析机器在不同时间的行为模式，从而预防系统故障并优化性能。毫无疑问，最终目标是实现敏捷性、竞争力、盈利能力更强的运营。

Darveau 说：“假设您有一台价值 500 万美元的工厂设备，其中 80% 的部分是以 5% 的利率贷款购买的，这是一个典型现象。只需将其寿命延长一年，即可节省 20 万美元。”“将寿命延长一年，即可获得极具吸引力的回报。收益是立竿见影的。”

但收益并不意味着简单。

特征工程：运营人工智能之路

预测设备故障和提出预防措施建议的过程需要人工智能才能自动执行。为了让人工智能有效运行，人类必须给予一臂之力。

工程师必须生成包含设备“正常”和“故障”条件的数据集，便于人工智能算法识别异常。从振动或声音等模拟信号中提取正常条件和故障条件，然后通过特征工程流程对其进行相应的分类。但这是一个手动程序，需要丰富的信号处理专业知识，才能对来自目标机器的信号数据进行适当的提取、评估和分类。

特征工程的复杂性正是预测性维护策略需要长时间部署的原因。

Hexagon Technology 旨在帮助企业为大型工业设备（如处理数吨原料的钢铣床）实施资产监控解决方案。每当有大量材料移动时，可以承受巨大重量的机器底座就会振动。Hexagon 开发了预测和可用性监控 (P&AM) 系统，可以持续分析这些结构，从而保持其完整性。

Darveau 解释道：“过去，当我们进行振动分析时，我们必须做大量的工作才能获得有用的数据集。”“如果您想分析噪音信号，必须进行大量的计算。必须利用将时间函数转换成频率函数的方法，即快速傅立叶变换 (FFT) 来过滤噪音，然后调整数据。”

如今，得益于高性能嵌入式计算 (HPEC) 的进步，Hexagon 可以免去大部分特征工程流程。具体而言，该公司使用英特尔^® 至强^® 处理器、英特尔^® Movidius^™ 视觉处理器和基于英特尔^® OpenVINO^™ 工具套件的推理引擎确定串流波形，无需从复杂的模拟信号中提取特征。

Darveau 说：“凭借当今英特尔^® 处理器更高的性能，我们可以进行视频推理。”“我们可以分割视频中的帧，这意味着无需提取原始数据、查看特定区域即可轻松地确定不同时间的波形，并将其与模拟数据相匹配。然后就可以让推理引擎发挥作用了。”

人工智能和机器学习模型的动态设计

从技术上说，Hexagon 的 P&AM 解决方案是一个已在此类工厂部署并运行了两年的原型。在此期间，Hexagon 的视频分析性能提升了一倍以上，从 30 FPS 提升到 60 FPS（即人眼能分辨的 FPS 上限）再到 140 FPS。系统准确检测观察特征的能力也提高到 95%。

尽管如此，Darveau 意识到，他们的系统必须达到 99.999% 的精度，才算做好了广泛商业部署的准备。

他解释道：“由于对于任何人工智能或机器学习类型的模型来说，环境是动态的，因此模型也是动态的。我们需要对系统进行改进。”“这将是最艰难的最后一公里。我们预计会对此模型进行多次更新，直到我们认为它的效率足够高。”

从一开始就知道 P&AM 解决方案是动态设计，这使 OpenVINO 的选择过程变得容易得多。其优化功能不仅最大程度地提升了当今处理器的执行性能，跨 CPU、图形处理单元、FPGA 和加速器的可移植性还意味着它可以将工作负载从传统系统扩展到新一代处理器。由于工程师明白始终有一个硬件平台可以高效执行人工智能，他们可以独立于处理器对模型进行更新。