為了更好地服務(wù)于目標(biāo)客戶， 嵌入式設(shè)計(jì)團(tuán)隊(duì)也在研究新技術(shù)， 如機(jī)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(jì)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(jì)團(tuán)隊(duì)可以使用數(shù)據(jù)驅(qū)動(dòng)的方法建立系統(tǒng)或復(fù)雜的系統(tǒng)模型。

機(jī)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(duì)較小， 而且問題的復(fù)雜性較低時(shí)， 傳統(tǒng)的機(jī)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(jī)， 那么更大的問題又如何呢？ 這個(gè)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(gè)控制設(shè)計(jì)和物聯(lián)網(wǎng)應(yīng)用的時(shí)代。

機(jī)器學(xué)習(xí)在工業(yè)資產(chǎn)中的應(yīng)用

首先， 考慮機(jī)器學(xué)習(xí)技術(shù)在工業(yè)資產(chǎn)狀態(tài)監(jiān)測(cè)中的應(yīng)用。機(jī)器學(xué)習(xí)將基于條件的監(jiān)測(cè)應(yīng)用從被動(dòng)和預(yù)防性維護(hù)的時(shí)代過渡到預(yù)測(cè)性維護(hù)。 這些技術(shù)用來檢測(cè)異常行為， 診斷問題， 并在某種程度上預(yù)測(cè)了工業(yè)資產(chǎn)的剩余使用壽命， 比如馬達(dá)， 水泵和渦輪機(jī)等等。

基于機(jī)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(jī)器學(xué)習(xí)

看看這個(gè)流程是如何用來監(jiān)測(cè)馬達(dá)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(jì)， 熱電偶和電動(dòng)機(jī)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(dòng)機(jī)發(fā)出的電流信號(hào)的頻譜包含了可用于檢測(cè)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(hào)中提取的特征。 從多個(gè)傳感器中提取的特征可能有冗余信息。

圖3 從電機(jī)電流信號(hào)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(jī)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(jī)器學(xué)習(xí)算法中。

機(jī)器學(xué)習(xí)的類型

模型創(chuàng)建和驗(yàn)證是一個(gè)迭代過程， 通過這個(gè)過程， 可以實(shí)驗(yàn)幾種機(jī)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(jī)器學(xué)習(xí)算法， 如高斯混合模型（GMM） ， 可以用來模擬電機(jī)的正常行為， 并檢測(cè)電機(jī)何時(shí)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(duì)數(shù)據(jù)進(jìn)行標(biāo)記。

雖然非監(jiān)督學(xué)習(xí)可以用來檢測(cè)馬達(dá)中的異常， 而監(jiān)督學(xué)習(xí)則需要檢測(cè)異常的原因。 在監(jiān)督學(xué)習(xí)中， 提出了一對(duì)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(jī)器學(xué)習(xí)算法的數(shù)據(jù)包括在正常和錯(cuò)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(shí)出馬達(dá)的狀態(tài)。 支持向量機(jī)、 Logit模型和人工神經(jīng)網(wǎng)絡(luò)是常用的監(jiān)督式機(jī)器學(xué)習(xí)算法。

對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)的挑戰(zhàn)是特征提取過程。 這是一個(gè)脆弱的過程， 需要領(lǐng)域?qū)＜业闹�識(shí)， 通常是機(jī)器學(xué)習(xí)工作流程中的勝負(fù)關(guān)鍵。

向深度學(xué)習(xí)工作流程的邁進(jìn)

深度學(xué)習(xí)算法最近越來越流行， 可能是因?yàn)樗鼈儾辉傩枰�特征工程步驟。從傳感器獲得的數(shù)據(jù)（原始測(cè)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(jì)算節(jié)點(diǎn)（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(hào)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(cè)或結(jié)果。