為了更好地服務(wù)于目標客戶， 嵌入式設(shè)計團隊也在研究新技術(shù)， 如機器學習和深度學習。 深度學習允許這些設(shè)計師以有限的資源更快地開發(fā)和部署復雜的系統(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)或復雜的系統(tǒng)模型。

機器學習和深度學習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)推導出系統(tǒng)的模型。當需要處理的數(shù)據(jù)量相對較小， 而且問題的復雜性較低時， 傳統(tǒng)的機器學習算法是有用的。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)需要深度學習技術(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)應用的時代。

機器學習在工業(yè)資產(chǎn)中的應用

首先， 考慮機器學習技術(shù)在工業(yè)資產(chǎn)狀態(tài)監(jiān)測中的應用。機器學習將基于條件的監(jiān)測應用從被動和預防性維護的時代過渡到預測性維護。 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。

基于機器學習開發(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習

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習模型的復雜性�？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習算法中。

機器學習的類型

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習算法， 并選擇最適合目標應用的算法。一種非監(jiān)督的機器學習算法， 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)進行標記。

雖然非監(jiān)督學習可以用來檢測馬達中的異常， 而監(jiān)督學習則需要檢測異常的原因。 在監(jiān)督學習中， 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)被稱為標記數(shù)據(jù)。該算法是將輸入映射到輸出的函數(shù)。用于訓練機器學習算法的數(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簽來清楚地標識出馬達的狀態(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)督式機器學習算法。

對傳統(tǒng)機器學習技術(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�識， 通常是機器學習工作流程中的勝負關(guān)鍵。

向深度學習工作流程的邁進

深度學習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 深度學習的工作流程

深度學習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)元輸出最終的預測或結(jié)果。