|
為了更好地服務(wù)于目標(biāo)客戶, 嵌入式設(shè)計團隊也在研究新技術(shù), 如機器學(xué)習(xí)和深度學(xué)習(xí)。 深度學(xué)習(xí)允許這些設(shè)計師以有限的資源更快地開發(fā)和部署復(fù)雜的系統(tǒng)和設(shè)備。 通過這些技術(shù), 設(shè)計團隊可以使用數(shù)據(jù)驅(qū)動的方法建立系統(tǒng)或復(fù)雜的系統(tǒng)模型。 機器學(xué)習(xí)和深度學(xué)習(xí)不是用基于物理的模型來描述系統(tǒng)的行為, 而是從數(shù)據(jù)推導(dǎo)出系統(tǒng)的模型。當(dāng)需要處理的數(shù)據(jù)量相對較小, 而且問題的復(fù)雜性較低時, 傳統(tǒng)的機器學(xué)習(xí)算法是有用的。但是, 如果有更多的數(shù)據(jù), 比如無人機, 那么更大的問題又如何呢？ 這個挑戰(zhàn)需要深度學(xué)習(xí)技術(shù)。 這種技術(shù)將把我們推向下一個控制設(shè)計和物聯(lián)網(wǎng)應(yīng)用的時代。 機器學(xué)習(xí)在工業(yè)資產(chǎn)中的應(yīng)用首先, 考慮機器學(xué)習(xí)技術(shù)在工業(yè)資產(chǎn)狀態(tài)監(jiān)測中的應(yīng)用。機器學(xué)習(xí)將基于條件的監(jiān)測應(yīng)用從被動和預(yù)防性維護的時代過渡到預(yù)測性維護。 這些技術(shù)用來檢測異常行為, 診斷問題, 并在某種程度上預(yù)測了工業(yè)資產(chǎn)的剩余使用壽命, 比如馬達, 水泵和渦輪機等等。 基于機器學(xué)習(xí)開發(fā)和部署模型的工作流程如圖1所示： 圖1 分析工作流程與機器學(xué)習(xí) 看看這個流程是如何用來監(jiān)測馬達健康狀況的。數(shù)據(jù)來自于多種類型的傳感器, 如加速度計, 熱電偶和電動機上的電流傳感器等。 特征工程通常由兩部分組成: 特征提取和特征提煉(圖2)。 圖2 特征工程 特征提取是用來從原始數(shù)據(jù)(或波形)中獲取有用信息, 以了解資產(chǎn)的健康狀況。例如, 從電動機發(fā)出的電流信號的頻譜包含了可用于檢測故障的信息, 如圖3所示。 頻譜中不同頻段的平均振幅可以作為從當(dāng)前信號中提取的特征。 從多個傳感器中提取的特征可能有冗余信息。 圖3 從電機電流信號中提取特征 一種特征提煉的方法是主成分分析(PCA) , 可以用來減少最終用于構(gòu)建模型的特性數(shù)量。、特征數(shù)量的縮減可以減少所使用機器學(xué)習(xí)模型的復(fù)雜性?？s減的特征集被表示為向量(或數(shù)組) , 并輸入到模型使用的機器學(xué)習(xí)算法中。 機器學(xué)習(xí)的類型模型創(chuàng)建和驗證是一個迭代過程, 通過這個過程, 可以實驗幾種機器學(xué)習(xí)算法, 并選擇最適合目標(biāo)應(yīng)用的算法。一種非監(jiān)督的機器學(xué)習(xí)算法, 如高斯混合模型(GMM) , 可以用來模擬電機的正常行為, 并檢測電機何時開始偏離其基線。 非監(jiān)督的方法有利于發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式, 而無需對數(shù)據(jù)進行標(biāo)記。 雖然非監(jiān)督學(xué)習(xí)可以用來檢測馬達中的異常, 而監(jiān)督學(xué)習(xí)則需要檢測異常的原因。 在監(jiān)督學(xué)習(xí)中, 提出了一對輸入數(shù)據(jù)和所需輸出的算法。這些數(shù)據(jù)被稱為標(biāo)記數(shù)據(jù)。該算法是將輸入映射到輸出的函數(shù)。用于訓(xùn)練機器學(xué)習(xí)算法的數(shù)據(jù)包括在正常和錯誤條件下提取的特征。 這些特特征是用一組標(biāo)簽來清楚地標(biāo)識出馬達的狀態(tài)。 支持向量機、 Logit模型和人工神經(jīng)網(wǎng)絡(luò)是常用的監(jiān)督式機器學(xué)習(xí)算法。 對傳統(tǒng)機器學(xué)習(xí)技術(shù)的挑戰(zhàn)是特征提取過程。 這是一個脆弱的過程, 需要領(lǐng)域?qū)＜业闹R, 通常是機器學(xué)習(xí)工作流程中的勝負關(guān)鍵。 向深度學(xué)習(xí)工作流程的邁進深度學(xué)習(xí)算法最近越來越流行, 可能是因為它們不再需要特征工程步驟。從傳感器獲得的數(shù)據(jù)(原始測量)可以直接輸入 DL 算法, 如圖4所示。 圖4 深度學(xué)習(xí)的工作流程 深度學(xué)習(xí)算法是基于人工神經(jīng)網(wǎng)絡(luò)的。人工神經(jīng)網(wǎng)絡(luò)算法受到了生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能方面的啟發(fā)。這些算法的結(jié)構(gòu)形式是由一組相互連接的計算節(jié)點(人工神經(jīng)元)組成的層次結(jié)構(gòu)。 第一層被稱為輸入層, 它是輸入信號或數(shù)據(jù)的接口。最后一層是輸出層, 這一層中神經(jīng)元輸出最終的預(yù)測或結(jié)果。 在輸入和輸出層之間, 有一個或多個隱藏層(圖5)。 一層的輸出通過加權(quán)后連接到下一層的節(jié)點。網(wǎng)絡(luò)通過修改這些權(quán)重來學(xué)習(xí)輸入和輸出之間的映射。通過使用多個隱藏層, 深度學(xué)習(xí)算法從輸入數(shù)據(jù)中提取特征, 而不需要明確地將特征輸入到算法中。 這被稱為"特征學(xué)習(xí)"。 圖5 前饋人工神經(jīng)網(wǎng)絡(luò) 面向深度學(xué)習(xí)的系統(tǒng)設(shè)計深度學(xué)習(xí)最近在軟件應(yīng)用領(lǐng)域取得了成功, 主要是因為技術(shù)部件的成熟, 比如硬件中的計算能力增強, 大量的訓(xùn)練數(shù)據(jù)被標(biāo)記, 學(xué)習(xí)算法和網(wǎng)絡(luò)初始化方面的突破, 以及開放源碼軟件框架的可用性。 下面是用深度學(xué)習(xí)系統(tǒng)的主要考慮因素。 拓撲深度學(xué)習(xí)是一個不斷發(fā)展的領(lǐng)域, 目前正在使用許多網(wǎng)絡(luò)拓撲[1]。其中一些網(wǎng)絡(luò)顯示了對控制和監(jiān)控物聯(lián)網(wǎng)應(yīng)用的承諾:
訓(xùn)練DNN需要大量的訓(xùn)練數(shù)據(jù), 這些數(shù)據(jù)最好包括來自學(xué)習(xí)所需要的所有不同狀態(tài)或條件的數(shù)據(jù)。對于大多數(shù)應(yīng)用而言, 現(xiàn)有數(shù)據(jù)主要來自系統(tǒng)的正常工作狀態(tài), 其中包括從其他狀態(tài)獲取的少量數(shù)據(jù)。 數(shù)據(jù)增強/泛化是一種用來改善數(shù)據(jù)不平衡的技術(shù), 可以從現(xiàn)有的小樣本集開始, 通過數(shù)據(jù)轉(zhuǎn)換創(chuàng)建額外的合成版本，還可以使用該系統(tǒng)的模擬模型來創(chuàng)建訓(xùn)練數(shù)據(jù)。 另一個挑戰(zhàn)是難以收集訓(xùn)練這些網(wǎng)絡(luò)所需的大量數(shù)據(jù)。轉(zhuǎn)移學(xué)習(xí)是可以用來緩解這個問題的方法之一。 使用轉(zhuǎn)移學(xué)習(xí), 可以從預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)開始(大多數(shù)深度學(xué)習(xí)框架提供了可以下載的經(jīng)過完全訓(xùn)練的模型) , 并用應(yīng)用中的數(shù)據(jù)對其進行微調(diào)。 硬件訓(xùn)練深度網(wǎng)絡(luò)有著巨大的處理要求。GPU已經(jīng)成為訓(xùn)練深度網(wǎng)絡(luò)的主要選擇。由于計算性能高, 內(nèi)存大, 以及編程工具的選擇, GPU很有吸引力, 幾乎成為訓(xùn)練的必要條件。 此外, FPGA是部署訓(xùn)練網(wǎng)絡(luò)的良好目標(biāo)。FPGA提供了更低的延遲, 更好的功率效率，特別是在嵌入式設(shè)備上部署這些網(wǎng)絡(luò), 用于與I/O緊密操作的控制系統(tǒng)。 軟件快速采用和成功的一個原因是成熟軟件框架的可用性。 一些常見的框架有 TensorFlow, Caffe, Keras 和 Computational Network Toolkit (CNTK)[4,5,6,7]。 這些框架支持不同的操作系統(tǒng), 如 Windows 和 Linux, 以及 Python 和 C語言。 大多數(shù)這些框架都有支持或?qū)嵗齺韺嵤┳钚碌纳疃染W(wǎng)絡(luò)，也支持GPU的使用。 深度學(xué)習(xí): IoT 控制設(shè)計的新方向深度學(xué)習(xí)是人工智能領(lǐng)域中一個令人興奮的新方向, 也是解決工業(yè)控制設(shè)計應(yīng)用中一個有前途的技術(shù)。 快速開始掌握深度學(xué)習(xí)的方法是下載前面提到的開源框架, 并且用教程示例進行實驗。 從一個類似于應(yīng)用程序的示例開始, 然后使用轉(zhuǎn)移學(xué)習(xí)來快速操作。 References:
|
|
|
