十多年来，物联网(IoT)稳步发展，这得益于连网设备数量的激增。如今，数十亿台连网设备为企业提供了前所未有的机会，可以收集和分析来自物理世界的数据，以改进其业务流程。在某些情况下，它们还推动了新颖而成功的商业模式，从而引领企业驾驭物联网应用的浪潮。
在大多数情况下，企业在边缘集群或云中处理物联网数据，而不是在边缘设备和微控制器中。嵌入式机器学习和 TinyML 的出现颠覆了这种模式，将应用的智能推向了物联网网络的边缘。如本系列的第一篇文章所述，这提供了显著的好处，包括：
这些好处是有形的，并且具有明确的业务相关性。企业在网络边缘使用更多数据和流程的能力可以提高业务效率，这直接转化为货币收益并提高企业利润。嵌入式机器学习是人工智能和物联网计算领域的游戏规则改变者，可以提高企业生产力。以下是工业企业部署嵌入式机器学习的5个用例。
大多数工业企业基于预防性维护方法来维护资产，该方法取决于定期维护或更换机器和工具等。这些时间间隔由设备制造商提供的维修保养政策来决定。这种方法有助于避免灾难性的生产停机事件发生，因为资产通常会在故障发生之前得到维护。然而，预防性维护会导致资产的利用率达不到最佳水平，因为资产总是会被过早替换。
工业 4.0和工业物联网的出现使工业企业能够对其资产实施基于状态的监测。利用传感器（例如振动传感器、温度传感器、热图像）和资产管理系统的数字数据，企业现在可以实时了解工具和机械等工业资产的状态。此外，使用机器学习算法，他们还可以获得对其资产剩余使用寿命(RUL)的预测性见解。在某些情况下，可靠的 RUL 估计值使工业企业能够将预防性维护转变为预测性维护。预测性维护是维护和维修操作的终极愿景，可实现最佳的设备整体效率(OEE)。基于状态的监测和预测性维护可帮助企业提高资产利用率，减少生产停机时间，消除设备故障造成的浪费，并在最佳时间安排维护任务。预测性维护被认为是第四次工业革命（工业 4.0）的杀手级应用之一：它具有切实的投资回报，适用于几乎所有工业领域，包括制造、能源、建筑、智能建筑、石油和天然气、以及采矿等。
大多数预测性维护部署都在云中传输和分析数据。这种方法在操作上存在局限性，例如，基于云的机器学习分析的故障预测并不总是足够快，因而无法采取适当的补救或预防措施。嵌入式机器学习为预测性维护和状态监测增加了重要价值：它产生实时见解，并实现实时决策。直接在机器内部的数据采集设备或微控制器上执行机器学习，使工业企业能够及时准确地了解各种资产的状态。这释放了基于实际设备状况进行实时决策的潜力。总的来说，嵌入式机器学习提高了预测性维护应用的效率，增加了资产的利用率，优化了其服务的质量。
机器学习最近为制造和生产运营的质量管理开辟了新的天地。具体来说，它赋予了预测质量的概念，即在质量问题发生之前预测质量问题的能力。在这个方面，机器学习技术（包括深度学习）应用于生产线。其算法的目的是主动识别导致产品缺陷的条件或模式。基于此，工厂经理可以采取补救措施来防止缺陷发生。此外，机器学习技术可用于优化与其他参数（如成本和环境性能）相关的模式。
嵌入式機器學習為上述品質管理用例增加了重要價值。具體來說，它提供了一種方法，可以根據設備內部資料的處理來提取對潛在缺陷的預測洞察力。這些洞察力可以與來自雲端分析的資訊結合，以識別導致品質問題的流程和控制參數。同樣，它們可用於同時最佳化多個參數，從而實現零缺陷製造。因此，嵌入式機器學習為工廠經理和品質工程師提供了有關缺陷的即時資產級信息，這補充了關於品質管理問題的現有知識。因此，它使企業能夠在實施全面品質管理 (TQM)和六西格瑪等品質管理策略方面表現出色。總體而言，工業企業可以利用嵌入式機器學習來補充其現有的品質管理知識，以提高產品質量，同時減少生產時間和成本。
近年來，物聯網對智慧建築和設施管理應用產生了變革性的影響。在建築物和其他房地產資產中部署感測器使業主能夠存取有關其財產狀態的即時、最新資訊。根據這些資訊，他們可以優化HVAC(暖氣、通風和空調)系統的運行，以節省成本並改善其環境指標。在這方面，佔用率監測應用非常重要。
基於對來自溫度和其他感測器資料的處理，可以準確了解房間和其他實體資產（如桌子、電腦和辦公空間）的佔用情況。這是優化能源效率和最大化租戶舒適度的關鍵。此外，它還為設施管理者提供了關於資產利用情況的即時見解，使他們能夠規劃資產的使用並提高其整體生產力。在過去的幾個月中，由於新冠肺炎疫情的爆發，對此類佔用監測應用的需求激增。後者導致大規模遠距辦公政策的實施，這使得設施管理人員在監控和預測資產佔用模式方面更具挑戰性。感測器和物聯網應用可以透過提供有關租戶在各個空間中實際存在的可靠和及時資訊來幫助他們。
在設施管理環境中，嵌入式機器學習提高了佔用管理應用的可持續性和準確性。具體來說，它可以在佔用監測感測器內運行統計數據分析，而不必透過雲端網關聚合多個感測器值。這提高了監測的準確性和及時性，同時也有助於減少二氧化碳排放量。嵌入式機器學習非常重要，因為設施管理人員正在轉向物聯網以減少排放並實現雄心勃勃的永續發展目標。透過這種方式，他們提高了品牌形象並提高了對相關法規的遵守程度。例如，最近的紐約市氣候動員法案 (CMA) 要求建築物提高能源效率。具體來說，它規定，到 2030 年，超過 25,000 平方英尺的建築物必須在 2005年的基礎上將溫室氣體排放量減少 40%，到 2050 年減少 80%。總的來說，嵌入式機器學習是下一代節能設施管理應用的強大工具。
在過去幾年裡，物聯網系統和嵌入式設備已經滲透到農業領域，並實現精準農業。一個突出的例子是，感測器和無處不在的連網設備，如信標、RFID標籤和專用嵌入式感測器(例如胃感測器)越來越多地植入在牲畜身上，以允許農民監測它們。為此，相關的物聯網應用傾向於將有關牛隻狀況的原始數據傳輸到雲端以進行適當的分析。然而，在某些情況下，這種方法可能是低效率的，甚至是不可行的，因為大部分牛群生活在數千公頃大小的戶外環境中。在這種設定中，網路連線(例如，短程物聯網網路)可能不足以支援資料聚合過程中所需的服務品質。此外，此類裝置通常需要電池供電，這會產生能源自主性問題。
嵌入式機器學習和TinyML在緩解這些限制方面提供了實質的幫助。數據分析發生在牲畜身上，這大大減少了需要傳輸到應用程式後端的數據量。與持續源源不斷收集資料不同的是，在嵌入式設備上部署機器學習可以定期（例如每小時）傳輸資料。這可以向農民提供有關牲畜狀況及其活動的見解（例如，休息、痛苦或吼叫）。這些見解使農民能夠對擠奶和屠宰等生產流程做出明智的決定。總的來說，嵌入式機器學習有助於農民在傳統雲端處理不可能或無效的情況下利用精準牲畜監測系統的優勢。
機器學習和計算智慧技術也用於危機管理和民防應用，包括地震和野火預測。在這個方面，來自各種感測器的數據通常在雲端中進行聚合和處理。然而，在危機管理中，時間是最寶貴的：危機管理行動的成功很大程度取決於危機管理指標預測的及時性。例如，更早辨識地震預警訊號可以導致更快、更有效的行動。在這個領域，嵌入式機器學習具有重要價值。
在野火管理方面，嵌入式機器學習可以提供可靠性和部署優勢，類似於牛群監測情況。特別是，在嵌入式感測器內執行統計模型可以促進及時預測野火，而無需強大的網路連接和電池供電的設備。
嵌入式機器學習應用廣泛，其應用範圍不僅限於上述五種，例如，在精準農業中，它可以直接在作物上檢測作物病害，而不需要在雲端對各種資料流進行聚合和分析。另一個例子是，它可以實現精確的冷藏智慧應用，直接分析敏感產品（例如食品、飲料和藥品）的溫度，而不必使用環境溫度來估計溫度異常。總的來說，嵌入式機器學習在許多不同的領域中釋放了幾乎無限的創新機會。
然而，在工業環境中開發和部署嵌入式機器學習應用並非易事。必須精心規劃每個實施步驟，以滿足嚴格的工業要求。從選擇合適的嵌入式設備到獲取足夠的訓練數據，以及實施合適的機器學習模型，開發人員和部署人員必須做出謹慎的選擇。
以上是'專注於具有投資價值的成熟機器學習應用'的詳細內容。更多資訊請關注PHP中文網其他相關文章！
