工业4.0应用程序生成大量的复杂数据-大数据。越来越多的传感器以及通常可用的数据源使机器，系统和过程的虚拟视图变得更加详细。这自然增加了在整个价值链中产生附加值的潜力。然而，与此同时，关于如何精确地提取该值的问题不断出现。毕竟，用于数据处理的系统和体系结构变得越来越复杂。只有拥有相关的，高质量的和有用的数据（智能数据），才能实现相关的经济潜力。

挑战性

收集所有可能的数据并将其存储在云中，以期以后对其进行评估，分析和结构化是一种广泛但并非特别有效的从数据中提取价值的方法。从数据中产生附加值的潜力仍然没有得到充分利用，并且在以后找到解决方案变得更加复杂。更好的替代方法是尽早进行考虑以确定哪些信息与应用程序相关，以及可以在数据流中的何处提取信息。形象地讲，这意味着优化数据，即从整个处理链的大数据中提取智能数据。可以在应用程序级别上确定哪些AI算法对于各个处理步骤具有很高的成功率。

对于各个处理步骤，正确的数据处理和解释对于从传感器信号中产生真正的附加值至关重要。取决于应用，可能难以正确解释离散传感器数据并提取所需信息。时间行为通常起着作用，并直接影响所需的信息。另外，必须经常考虑多个传感器之间的依赖性。对于复杂的任务，简单的阈值和手动确定的逻辑或规则已不再足够。

人工智能算法

相比之下，借助嵌入式AI算法进行的数据处理可以自动分析复杂的传感器数据。通过这种分析，可以沿着数据处理链自动从数据中获得所需的信息，从而增加价值。

对于始终是嵌入式AI算法一部分的模型构建，基本上有两种不同的方法。

一种方法是通过公式和数据与所需信息之间的显式关系进行建模。这些方法要求以数学描述的形式提供物理背景信息。这些所谓的基于模型的方法将传感器数据与该背景信息相结合，以针对所需信息产生更精确的结果。这里最广为人知的例子是卡尔曼滤波器。

如果有数据，但没有可用数学方程式描述的背景信息，则必须选择所谓的数据驱动方法。这些算法直接从数据中提取所需的信息。它们涵盖了全方位的机器学习方法，包括线性回归，神经网络，随机森林和隐马尔可夫模型。

AI方法的选择通常取决于有关应用程序的现有知识。如果可以获得广泛的专业知识，那么嵌入式AI将扮演更重要的角色，并且所使用的算法还很初级。如果不存在专家知识，则使用的AI算法会复杂得多。在许多情况下，应用程序定义了硬件，并由此定义了嵌入式AI算法的局限性。

嵌入式，边缘或云实施

整个数据处理链以及每个单独步骤所需的所有算法，都必须以可以产生最高可能附加值的方式实施。实施通常发生在总体级别上-从具有有限计算资源的小型传感器通过网关和边缘计算机到大型云计算机。显然，算法不仅应在一个级别上实现。相反，实现算法尽可能地接近传感器通常更有利。这样，可以在早期对数据进行压缩和优化，并降低通信和存储成本。此外，通过从数据中早期提取基本信息，可以在更高级别上开发全局算法。在多数情况下，流分析领域的算法也有助于避免不必要的数据存储，从而避免高数据传输和存储成本。这些算法仅对每个数据点使用一次。即，直接提取完整的信息，不需要存储数据。

在边缘处理AI算法（即嵌入式AI）需要具有模拟和数字外围设备的集成微控制器，以进行数据采集，处理，控制和连接。处理器还需要能够实时本地捕获和处理数据，以及具有用于执行最新的智能AI算法的计算资源。例如，ADI公司的ADuCM4050基于ARM Cortex-M4F架构，并为嵌入式AI提供了一种集成的节能方法。

实现嵌入式AI不仅限于微控制器。为了加速设计，许多硅制造商已经创建了开发和评估平台，例如EV-COG-AD4050LZ。这些平台将微控制器与传感器和HF收发器等组件集成在一起，使工程师无需成为多种技术的专家就可以探索嵌入式AI。这些平台是可扩展的，使开发人员可以使用不同的传感器和其他组件。例如，EV-GEAR-MEMS1Z防护罩使工程师能够快速评估不同的MEMS技术，例如ADXL35x系列，包括ADXL355该屏蔽罩中使用的，可在较小的外形尺寸下提供出色的振动整流，长期可重复性和低噪声性能。

EV-COG-AD4050LZ和EV-GEAR-MEMS1Z等平台和防护罩的结合使工程师进入了基于振动，噪声和温度分析的结构健康和机器状态监控领域。可以根据需要将其他传感器连接到平台，以便使用的AI方法可以通过所谓的多传感器数据融合更好地估计当前情况。这样，可以以更好的粒度和更高的概率对各种操作和故障条件进行分类。通过平台上的智能信号处理，大数据在本地变成了智能数据，从而仅需要将与应用案例相关的数据发送到边缘或云中。

平台方法还简化了通信，因为屏蔽可用于不同的无线通信。例如，EV-COG-SMARTMESH1Z结合了高可靠性和鲁棒性以及极低的功耗，并具有可满足众多工业应用的6LoWPAN和802.15.4e通信协议。SmartMesh IP网络由高度可扩展的，自形成的多跳网状无线节点组成，这些网状节点收集和中继数据。网络管理器监视和管理网络性能和安全性，并与主机应用程序交换数据。

特别是对于无线电池供电的状态监控系统，嵌入式AI可以实现全部增值。与将传感器数据直接传输到边缘或云的情况相比，通过嵌入在ADuCM4050中的AI算法将传感器数据本地转换为智能数据可以降低数据流，从而降低功耗。

应用领域

AI算法开发平台，包括为其开发的嵌入式AI算法，在从简单的异常检测到复杂的故障诊断的机器，系统，结构和过程的监视领域中具有广泛的应用。使用集成的加速度计，麦克风和温度传感器可以实现各种功能，例如监视来自各种工业机器和系统的振动和噪声。嵌入式AI可用于检测过程状态，轴承或定子损坏，控制电子设备故障，甚至由于电子设备损坏而导致系统行为的未知变化。如果对于某些损害可用预测模型，则这些损害甚至可以本地预测。通过这个，可以及早采取维护措施，从而可以避免不必要的基于损坏的故障。如果不存在预测模型，则该平台还可以帮助主题专家连续了解机器的行为，并随着时间的推移推导出用于预测性维护的机器的综合模型。

理想情况下，通过相应的本地数据分析，嵌入式AI算法应该能够确定哪些传感器与各自的应用相关，以及哪种算法最适合该传感器。这意味着平台的智能可扩展性。目前，即使AI算法已经可以以最小的实现工作量扩展到机器状态监控的各种应用中，仍然是主题专家必须为各自的应用找到最佳算法。

嵌入式AI还应就数据质量做出决策，如果数据质量不足，则为传感器和整个信号处理找到并进行最佳设置。如果将几种不同的传感器模式用于传感器融合，则AI算法可以弥补某些传感器和方法的缺点。这样，可以提高数据质量和系统可靠性。如果AI算法将传感器分类为与应用程序最小相关，则可以相应地限制其数据流。