Teollisuus 4.0 -sovellukset tuottavat valtavan määrän monimutkaista dataa, jota myös big dataksi kutsutaan. Anturien määrän kasvu ja ylipäätään käytettävissä olevat datalähteet tekevät koneiden, järjestelmien ja prosessien virtuaalisen mallintamisen yhä yksityiskohtaisemmaksi. Tämä lisää luonnollisesti mahdollisuutta tuottaa lisäarvoa koko arvoketjussa. Samalla herää kuitenkin kysymys siitä, miten käytössä oleva data saadaan jalostettua älykkääksi niin, että sen lupaama taloudellinen hyöty voidaan lunastaa.

Kaiken mahdollisen datan kerääminen ja tallentaminen pilveen siinä toivossa, että ne myöhemmin arvioidaan, analysoidaan ja jäsennetään, on laajalle levinnyt mutta varsin tehoton tapa uuttaa siitä lisäarvoa. Mahdollisuus tuottaa lisäarvoa tiedoista jää suurelta osin käyttämättä ja ratkaisun löytäminen myöhemmin tulee monimutkaisemmaksi. Parempi vaihtoehto on tehdä huomioita varhaisessa vaiheessa sen määrittämiseksi, mitkä tiedot ovat sovelluksen kannalta merkityksellisiä ja mistä osasta datavirtaa tiedot voidaan poimia.

Kuvaannollisesti tämä tarkoittaa datan jalostamista eli big datan muuttamista älykkääksi dataksi koko prosessiketjun käyttöön. Päätös siitä, millä tekoälyalgoritmeilla on suuri todennäköisyys menestyä yksittäisissä prosessointivaiheissa, voidaan tehdä sovellustasolla. Tämä päätös riippuu rajaehdoista, kuten käytettävissä olevasta datasta, sovellustyypistä, käytettävissä olevista anturityypeistä ja alemman tason fyysisten prosessien taustatiedoista.

Yksittäisissä käsittelyvaiheissa datan oikea käsittely ja tulkinta on erittäin tärkeää, jotta anturisignaaleista saadaan tuotettua todellista lisäarvoa. Sovelluksesta riippuen voi olla vaikea tulkita erillisiä anturitietoja oikein ja poimia halutut tiedot. Tärkeässä roolissa on usein se, miten anturit käyttäytyvät eri aikoina ja tällä on suora vaikutus haluttuun informaatioon. Lisäksi useiden anturien väliset riippuvuudet on otettava huomioon. Monimutkaisissa tehtävissä yksinkertaiset kynnysarvot ja manuaalisesti määritetyt logiikat tai säännöt eivät enää riitä.

Tekoälyalgoritmit

Sen sijaan tietojen käsittely AI- eli tekoälyalgoritmien avulla mahdollistaa monimutkaisten anturitietojen automaattisen analysoinnin. Tämän analyysin avulla haluttu tieto ja siten lisäarvo saadaan automaattisesti datasta tietojenkäsittelyketjussa.

Algoritmin rakentamiseen aina liittyvään mallin rakentamiseen on käytännössä kaksi erilaista lähestymistapaa.

Yksi lähestymistapa on mallintaminen kaavojen, sekä datan ja halutun tiedon välisten selkeiden suhteiden avulla. Nämä lähestymistavat edellyttävät fyysisen taustatiedon saatavuutta matemaattisen kuvauksen muodossa. Nämä ns. mallipohjaiset (model-based) lähestymistavat yhdistävät anturitiedot tähän taustatietoon saaden tarkemman tuloksen halutulle informaatiolle. Tässä tunnetuin esimerkki on Kalman-suodin.

Jos käytössä on dataa, mutta ei matemaattisten yhtälöiden muodossa kuvattavaa taustatietoa, on valittava niin kutsutut datavetoiset lähestymistavat. Nämä algoritmit tuottavat halutut tiedot suoraan datasta. Ne kattavat kaikki koneoppimismenetelmät, mukaan lukien lineaarinen regressio, hermoverkot, satunnaismetsät (päätöksentekopuut tai päättelymetsät, random forest) ja piilotetut Markov-mallit.

Tekoälymenetelmän valinta riippuu usein siitä, mitä sovelluksesta jo tiedetään. Jos laajaa erikoistietoa on saatavilla, tekoälyllä on enemmänkin sovellusta tukeva kuin ohjaava rooli ja käytetyt algoritmit ovat melko alkeellisia. Jos asiantuntijatietoa ei ole, käytetyt tekoälyalgoritmit ovat paljon monimutkaisempia. Monissa tapauksissa sovellus määrittelee laitteiston ja sen kautta tekoälyalgoritmien rajoitukset.

Sulautettu, reuna- tai pilvitoteutus

Koko tietojenkäsittelyketju ja kaikki tarvittavat algoritmit jokaisessa yksittäisessä vaiheessa on toteutettava siten, että voidaan tuottaa korkeinta mahdollista lisäarvoa. Ketjun toteutus tapahtuu yleensä kaikilla tasolla - pienestä anturista, jolla on rajalliset laskentaresurssit, yhdyskäytävien ja reunatietokoneiden kautta suuriin pilvitietokoneisiin. On selvää, että algoritmeja ei pitäisi toteuttaa vain yhdellä tasolla. Sen sijaan on tyypillisesti hyödyllisempää toteuttaa algoritmit mahdollisimman lähellä anturia. Tällöin data pakataan ja jalostetaan aikaisessa vaiheessa, mikä alentaa datansiirtelyn ja tallennuksen kustannuksia. Lisäksi globaalien algoritmien kehittäminen ylemmillä tasoilla on vähemmän monimutkaista, kun tiedoista kerätään olennaista tietoa varhaisessa vaiheessa. Useimmissa tapauksissa suoraan anturidataan kohdistuvat algoritmit ovat hyödyllisiä myös tarpeettoman datan tallennuksen ja siten korkeiden tiedonsiirto- ja tallennuskustannusten välttämiseksi. Nämä algoritmit käyttävät kutakin datapistettä vain kerran, eli kokonaisdata saadaan suoraan, eikä tietoja tarvitse tallentaa.

Sulautetut alustat tekoälyalgoritmeilla

ADI:n Arm Cortex-M4F -prosessoripohjainen mikro-ohjain ADuCM4050 on virtaa säästävä, integroitu mikro-ohjainjärjestelmä, johon on yhdistetty tehonhallinta sekä analogiset ja digitaaliset oheislaitteet datankeruuta, -käsittelyä, -ohjausta ja liitettävyyttä varten. Kaikki tämä tekee siitä hyvän ehdokkaan paikalliseen tietojenkäsittelyyn ja datan varhaiseen jalostamiseen edistyneimmillä tekoälyalgoritmeilla.

EV-COG-AD4050LZ on erittäin alhaisen tehonkulutuksen kehitys- ja evaluointialusta ADI:n koko anturi-, mikro-ohjain- ja HF-lähetinvastaanottimien valikoimalle. EV-GEAR-MEMS1Z -lisäkortti suunniteltiin pääasiassa, mutta ei pelkästään ADI:n erilaisten MEMS-tekniikoiden arviointiin. Esimerkiksi tässä lisäkortissa käytetty ADXL35x-sarja, mukaan lukien ADXL355, tarjoaa erinomaisen tärinän korjauksen, pitkäaikaisen toistettavuuden ja matalan kohinatason suorituskyvyn pienessä koossa.

EV-COG-AD4050LZ:n ja EV-GEAR-MEMS1Z:n yhdistelmää voidaan käyttää rakenteiden kunnon ja koneiden tilan valvontaan tärinän, kohinan ja lämpötila-analyysin perusteella. Myös muita antureita voidaan liittää COG-alustaan tarpeen mukaan, jotta käytetyt tekoälymenetelmät antavat paremman arvion tilasta niin sanotun monianturisen datafuusion avulla. Tällä tavoin erilaiset käyttö- ja vikatilat voidaan luokitella tarkemmin ja suuremmalla todennäköisyydellä. COG-alustalla tapahtuvan älykkään signaalinkäsittelyn avulla big datasta tulee paikallisesti älykästä informaatiota, joten vain sovellustapauksen kannalta merkityksellinen data lähetetään verkon reunalle tai pilveen.

COG-alusta sisältää lisäkortteja myös langatonta viestintää varten. Esimerkiksi EV-COG-SMARTMESH1Z yhdistää suuren luotettavuuden ja kestävyyden sekä erittäin pienen tehonkulutuksen 6LoWPAN- ja 802.15.4e-protokolliin, jotka sopivat lukuisiin teollisiin sovelluksiin. SmartMesh IP -verkko on erittäin skaalautuva, itsemuodostuva ja dataa keräävistä ja välittävistä langattomista solmuista koostuva multihop-verkko. Verkonhallinta seuraa ja hallitsee verkon suorituskykyä ja tietoturvaa sekä vaihtaa tietoja isäntäsovelluksen kanssa.

Erityisesti langattomissa paristokäyttöisissä kunnonvalvontajärjestelmissä sulautettu tekoäly voi tuottaa täyden lisäarvon. Anturidatan paikallinen muuntaminen älykkääksi dataksi ADuCM4050-ohjaimeen sulautetuilla tekoälyalgoritmeilla pienentää siirrettävän datan määrää ja johtaa näin alhaisempaan tehonkulutukseen verrattuna siihen, että kaikki anturidata siirrettäisiin verkon reunalle tai pilveen.

Sovellukset

COG-kehitysalustaa ja sille kehitettyjä tekoälyalgoritmeja voidaan käyttää laajassa valikoimassa sovelluksia koneiden, järjestelmien, rakenteiden ja prosessien seurannassa, jotka ulottuvat yksinkertaisesta poikkeavuuksien havaitsemisesta monimutkaiseen vikadiagnostiikkaan. Integroitujen kiihtyvyysanturien, mikrofonin ja lämpötila-anturin avulla alusta mahdollistaa esimerkiksi erilaisten teollisuuskoneiden ja -järjestelmien tärinän ja kohinan valvonnan.

Sulautetun tekoälyn avulla voidaan havaita prosessitilat, laakerien tai staattorien vauriot, ohjauselektroniikan viat ja jopa elektroniikan vaurioitumisen takia aiheutuneet tuntemattomat muutokset järjestelmän toiminnassa. Jos ennakoiva malli on käytettävissä tietyille vahingoille, vahingot voidaan jopa ennustaa paikallisesti. Tämän avulla huoltotoimenpiteet voidaan toteuttaa varhaisessa vaiheessa ja siten välttää tarpeettomat vaurioihin perustuvat viat. Jos ennakoivia malleja ei ole, COG-alusta voi myös auttaa asiantuntijoita oppimaan koneen käyttäytymisestä, ja ajan myötä tästä voidaan johtaa kattava malli koneesta ennakoivaa ylläpitoa varten.

Johtopäätös

Ihannetilanteessa sulautettujen tekoälyalgoritmien pitäisi pystyä paikallisten tietojen analysoinnin avulla päättämään, mitkä anturit ovat merkityksellisiä kullekin sovellukselle ja mikä algoritmi on kaikkein paras. Tämä tarkoittaa alustan älykästä skaalautuvuutta. Tällä hetkellä on edelleen asiantuntijan tehtävänä löytää paras algoritmi kullekin sovellukselle, vaikka käyttämämme tekoälyalgoritmit voidaan jo skaalata mahdollisimman pienellä vaivalla erilaisiin koneiden kunnonvalvontasovelluksiin.

Sulautetun tekoälyn tulisi myös tehdä päätös datan laadusta. Mikäli laatu ei ole riittävän hyvä, tekoälyn pitäisi löytää ja tehdä optimaaliset asetukset antureille ja koko signaalinkäsittelylle. Jos fuusioon käytetään useita erilaisia anturityyppejä, tiettyjen anturien ja menetelmien haitat voidaan kompensoida tekoälyalgoritmilla. Tämän ansiosta datan laatu ja järjestelmän luotettavuus paranevat. Jos algoritmi luokittelee anturin merkityksettömäksi tai vähän merkitykselliseksi sovelluksen kannalta, voidaan sen datavirtaa rajoittaa.

ADI:n avoin COG-alusta sisältää vapaasti saatavilla olevan ohjelmistokehityspaketin ja lukuisia laitteistojen ja ohjelmistojen esimerkkiprojekteja prototyyppien kehittämisen nopeuttamiseksi, kehityksen helpottamiseksi ja suunnitteluideoiden toteuttamiseksi. Monianturisen datafuusion (EV-GEAR-MEMS1Z) ja sulautetun tekoälyn (EV-COG-AD4050LZ) avulla voidaan kehittää robusti ja luotettava älykkäiden antureiden langaton mesh-verkko (SMARTMESH1Z).