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.

Artikkelin ovat kirjoittaneet Analog Devicesin alustojen ja ratkaisujen johtaja Dzianis Lukashevich sekä Knowtionin pääjohtaja Felix Sawo. Lukashevich on sähkötekniikan tohtori Münchenin teknillisestä korkeakoulusta. Lisäksi hänellä on MBA-tutkinto Warwickin kauppakorkeakoulusta. Felix Sawolla on mekatroniikan insinöörin tutkinto Ilmenaun teknillisestä korkeakoulusta ja tietotekniikan tohtorin koulutus Karlsruhen teknologian instituutista. Ennen Knowtionia hän työskenteli Fraunhofer-instituutissa.

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).

ETNtv

Watch ECF videos

Korteilla vauhtia IoT-kehitykseen

Sulautetun laitteen kehitys onnistuu useimmiten helpoiten valmiiden moduulien avulla. Nykyään niitä saa myös tehokkailla Apollo Lake -sarjan prosessoreilla varustettuna.

Lue lisää...

Suomen suurin valtti kybersodassa on luottamus

Teknologia19 – Aalto-yliopiston kyberturvallisuusprofessori Jarno Limnéll uskoo, että luotettavuudesta voi tulla suomalaisten yritysten suurin myyntivaltti tulevaisuudessa. – Tärkein kysymys on tulevaisuudessa, kehen ja mihin voimme luottaa. Luottamuksesta on tulossa hyvin arvokas aineeton pääoma yrityksille, Limnéll sanoi eilen messukeskuksessa.

Lue lisää...

LATEST NEWS

NEW PRODUCTS

 

NEWSFLASH

Ciklum, established in 2002, is a custom product engineering company with a global presence across 15 countries in 3 continents. We specialize in crafting bespoke digital solutions that push boundaries and transform industries, including full-scale IoT solutions. Whether it's cutting-edge embedded systems, data architecture or IoT, we seamlessly integrate our solutions into your existing infrastructure.

 

 

Check Point Software Technologies Ltd. is a leading provider of cyber security solutions to corporate enterprises and governments globally. Check Point Infinity’s portfolio of solutions protects enterprises and public organisations from 5th generation cyber-attacks with an industry leading catch rate of malware, ransomware and other threats.

 

 

 

AcalBfi is a leader in the development of custom technology solutions for electronic applications. Our engineers and our approach will ensure we can solve your technical challenges with custom solutions that integrate multiple technologies.

 

Analog Devices, Inc. is a global semiconductor leader that bridges the physical and digital worlds to enable breakthroughs at the Intelligent Edge. ADI combines analog, digital, and software technologies into solutions that help drive advancements in digitized factories, mobility, and digital healthcare, combat climate change, and reliably connect humans and the world.

 

EBV Elektronik was founded in 1969 and is one of the leading specialists in European semiconductor distribution. This success is based on the underlying company philosophy, which was developed a long time ago and which still applies today: operational excellence, flexibility, reliability and execution – with the goal of achieving the highest degree of customer satisfaction. 

  

The Rohde & Schwarz technology group develops, produces and markets a wide range of electronic capital goods. With its extensive product portfolio, the company makes an important contribution to a safer and connected world. In the test & measurement, secure communications, networks & cybersecurity and broadcast & media markets, customers worldwide rely on Rohde & Schwarz and its cutting-edge solutions.

 

 

 

Mespek is an industrial electronics company. Our main product areas are embedded modules, industrial computing, test & measurement modules and server management systems (KVM-switches). Besides our domestic customers we have clients also in several countries such as Benelux, China, Estonia, Ireland, Norway, Russia, Sweden, Switzerland, et cetera..

 

We offer unique and cost-effective customized solutions based on electronic components and systems, as well as standard products from selected manufacturers. We also have own production company for electronics and cabling in Sweden. We have 90 years of experience, deep engagement, knowledge together with trustworthy and effective logistics worldwide. We are ISO 9001 and ISO 14001 certificated.

 

Richardson RFPD, an Arrow Electronics Company, is an electronic component distributor focused on RF and Wireless Communications, industrial IoT, Power Conversion and renewable energy markets. With our global reach and extensive technical capability, we serve our customers through component development and selection, technical support, and world-class logistics and supply chain capabilities. Whether designing with discrete components or looking to take advantage of integrated circuits or systems RichardsonRFPD’s worldwide design centers and technical sales team provide comprehensive support to bring your product ideas to market.

u‑blox is a global technology leader in positioning and wireless communication in automotive, industrial, and consumer markets. Their smart and reliable solutions, services and products let people, vehicles, and machines determine their precise position and communicate wirelessly over cellular and short range networks. With a broad portfolio of chips, modules, and secure data services and connectivity, u‑blox is uniquely positioned to empower its customers to develop innovative and reliable solutions for the Internet of Things, quickly and cost‑effectively.

KYOCERA AVX is a leading global manufacturer of advanced electronic components, including antennas, fuses, capacitors, filters, couplers and RF switches, engineered to accelerate technological innovation and build a better future. Supplying more than one million antennas per day, KYOCERA AVX is an industry-leading supplier of innovative antenna solutions, covering all major frequency bands and applications. KYOCERA AVX antennas utilize a wide array of materials -including LDS, stamped metal, ceramic, PCB, and FPC- to support a variety of custom and standard configurations (external indoor/outdoor, embedded on/off-board).

 

 





ECF template