在 ST，我們相信人工智能 （AI） 在廣泛的工業應用中有著光明的未來。這就是為什么我們很高興能與Lenord + Bauer一起出席Electronica 2018，共同展示工業傳感器系統中的 AI 示例，以及列車振動分析的用例。

鐵路車廂智能傳感

Lenord + Bauer 使用的智能傳感器基于 ST 的加速度計和 STM32微控制器，封裝在評估板 （ STEVAL-BFA001V1B） 中。該傳感器設計用于連接到火車車輪轉向架（起落架），并嵌入了人工智能以在早期檢測損壞或材料疲勞。嵌入在 STM32 微控制器中的神經網絡已使用從測試臺上的集成傳感器獲取的預處理數據進行訓練，并借助高效工具 STM32Cube.AI 自動轉換為微控制器的優化代碼。該軟件工具作為廣泛使用的STM32CubeMX 工具的一部分完全集成到 STM32 軟件生態系統中，允許將預先訓練的神經網絡快速、自動地轉換為可在任何基于 STM32 Cortex-M 的 MCU 上運行的優化庫。

人工智能優勢

人工智能 （AI） 可以定義為機器執行邏輯分析、獲取知識以及適應隨時間變化或在特定情況下變化的環境的能力。今天，人工智能已經在大量標記、條件良好的數據集可用的情況下得到廣泛應用，并且主要用于處理圖像和語音。現在，人工智能在其他應用中的應用越來越多，尤其是在工業領域。

AI 提供了一種替代手工制作的基于規則的編程的方法，工程師通過這種方法創建詳細的算法，指定流程的每個分析步驟。人工智能允許機器在有監督或無監督模式下從可用數據中“學習”，并開發自己的數據分析方式并得出結果。“學習”過程的結果被提煉成“神經網絡”——一種類似于人腦工作方式的數學結構。神經網絡體現了在訓練中獲得的知識，以從新傳入的數據中推斷數據特征。

智能工業的邊緣人工智能

與工業自動化、預測性維護和更智能的工作環境相關的智能行業計劃正在創造機會，將人工智能用作智能傳感器系統的一部分。狀態監測和預測性維護系統由許多傳感器節點組成，這些節點通過網絡連接到邊緣服務器或云服務。如果來自每個傳感器的原始數據被發送到云服務器，那么如果需要快速響應，這可能需要大帶寬并引發延遲問題。一種明智的選擇是使用嵌入式人工智能分析直接在智能傳感器節點上處理數據。這最大限度地減少了需要通過網絡傳輸的數據的帶寬，并允許快速反應。

智能傳感器節點通常包含一個微控制器，該微控制器提供本地數據處理能力，包括數據捕獲、處理和通信處理。微控制器執行通常涉及時域和頻譜分析的 AI 算法，以及其他處理以清理傳感器數據并設置精確的警報閾值。

在這些節點中人工智能的一個特殊優勢是，如果被監控的物理元素發生變化，例如，用另一臺機器替換一臺機器，那么可以通過獲取新數據并在之前的機器學習過程中運行它來快速生成一個新的神經網絡。將其重新加載到智能傳感器 MCU 上。這與工業環境高度相關，在工業環境中，由于機器的性質和使用年限，每臺機器都可能具有不同的特性，在創建監控程序時需要考慮這些特性。這里的手工算法方法需要更多的時間和精力，并且不能擴展到不同的機器和機器類型。

意想不到的好處

還有一個不太明顯的優勢。考慮配備 Lenord + Bauer 智能傳感器的火車；借助這種基于人工智能的技術，這些列車本身也變成了傳感器。他們可以監控并提供描述他們運行的軌道狀況的數據。當火車行駛其路線時，它們產生的信息可以映射到一個位置并從多列火車同步，以鼓勵對可能在結構上削弱的鐵路部分進行預測性維護——在故障之前。

有了這么多直接和次要的好處，人工智能肯定會在各種各樣的工業應用中得到廣泛的應用——以及許多其他應用。

Lenord + Bauer 是國際上活躍的運動傳感器和集成驅動技術專家。 該公司為運輸行業開發、生產和分銷解決方案，專注于鐵路和運動自動化，特別是工具和包裝機應用。

審核編輯：郭婷