Skip to main content

工程師智囊盒:物聯網閘道應用深度學習人工智慧

隨著感應節點倍增,資料不用多久時間就從涓滴之水累積成潺潺溪流,然後形成一條大河流,而且很快就會變成一片廣大的湖泊。 負責管理機械和系統的工程師不久後會發現自己已經忙不過來,

一般用途的資料平台可能幫不上多少忙, 反而是分析軟體需要「像工程師般的思維」才能解套;也就是說分析軟體需要一個架構來處理工程師的優先要務,例如維護、問題預測及疑難排解等工作。

這個目標與 Flutura 當初開發 Cerebra 平台時的想法不謀而合。 Cerebra 最主要的不同之處在於它會運用工程師的心智模式來呈現資料。

Flutura 產品長 Derick Jose 表示:「Cerebra 有一種演算法會偵測導致[system]系統故障的頻繁「事件」,使用這種演算法能讓我們將資料湖轉譯成工程師架構。」

工程師心智模式

受過工程師訓練的任何人很快就能看出 Jose 所說的讓 Cerebra 呈現資產相關資料的心智模式與以下模式相似:

  • 資產依循什麼程序?(請闡明操作意圖和參數。)
  • 可能導致資產故障的方式有哪些?(請定義故障模式。)
  • 過去 90 天內對資產做過的介入性質是什麼?(請追蹤維護和維修歷史記錄。)
  • 操作環境條件是什麼?(您是否位於西伯利亞或美國德州?)
  • 系統發出警報的頻率為何?這些警報自動發出的頻率為何?(請分析過去記錄的行為。)

Jose 說道:「除非是在資料產品上反映上述觀點,否則握有資訊的消費者很難有時間去處理這些資料,並從中獲得能據以行動的洞察分析。」

雖然心智模式可以套用至任何物聯網應用,但是 Flutura 目前的重心在於能源和工程製造產業 (圖 1)。

圖 1. Flutura Cerebra 平台會應用深度學習演算法讓資料對應至工程師思維。 (圖片來源:Flutura)

讓資料對應至心智模式

將原始資料湖轉化成工程師心智模式的程序尚在申請專利, 雖然公司可以跟客戶談好部署從感應器到閘道的所有一切,但是它的核心 IP 仍處於演算法當中。

一旦演算法開始運作便會將傳入的資料拆解成數條串流事件或即時參數, 這些內容有可能是警報、行程或狀態轉移,隨後會根據資料的頻率和結構來拆解。 接著 Cerebra 就能套用電氣、液壓或散熱子系統的相關中繼模型、各種故障模式,以及故障模式的主要原因。 每個中繼模型由遍布 65 個實體的 180 個資料元素所組成。

Jose 表示:「我們將所有資料湖轉譯成 Cerebra 中繼模型之後,一旦資料與模型相符,工程師就能在 Cerebra 平台上看到完整的檢視內容。」

模型的輸入資料可能是感應器、環境條件、維護記錄、歷史記錄事件,甚至是資產與相鄰資產之間的關係。 即便資產之間彼此不相連,過熱或發出電動噪音的馬達還是會影響附近的電子電路板或系統, 很少有系統是在完全獨立的情況下運作。

高度敏銳

深度學習演算法會不斷將噪音資料波形拆解成 Flutura 所謂的「特徵向量」並執行分析。 Jose 說道:「我們擁有大約 220 個以上獨特聲波描述的波形特徵向量,就是因為如此我們才擁有那麼多的 IP。 一旦開始深度學習這些特徵向量,它呈現資產的方式遠比原始時間序列資料本身的深度學習效果還要好。」

這是因為演算法對於波形中的微小變化保持高度敏銳,而且它還能將這些干擾與過去發生的故障序列相互關聯起來,這一點讓 Cerebra 與眾不同。

降低成本並創造新的營收模式

一旦資料隨時間收集並分析得正確無誤,就會發生越多好事。 舉例而言,握有資料的消費者可以是現場工程師乃至於遠端維護團隊的任何人。 一旦需要執行到場維修或直升機部署的例行維護作業,藉由分析可以協助判斷是否有其必要,進而節省間接成本。

以更高的層面來看,資料可以用來提高品質並改善製程而進一步降低成本。 對設備廠商來說,他們可以根據地理位置和環境條件來重新擬定針對售出或租賃設備的服務合約:美國北達科他州的服務合約有別於美國德州或委內瑞拉的服務合約。 同理,在設備責任方面,如果某個零件確實在現場發生故障,那麼供應商便能判斷這個零件是否在不符合保固範圍的條件下使用。

進一步來說,預測分析不僅因為能縮短停機時間而備受青睞,而且還能為設備廠商或 OEM 廠商開創商機,讓他們能開發「預測即服務」、「監控即服務」或「診斷即服務」的商業模式,創造額外的經常性收入。

Jose 表示:「我們稱此為數位臍帶, 這就是我們的工作。」

不少人也會將創造全新經常性收入流的能力稱為「聖杯」。

集智慧於一身的智囊盒

雖然 Cerebra 本身不受限於任何硬體,但是 Flutura 已協助客戶在搭載 Intel Atom® 處理器 (圖 2) 的 Dell Edge Gateway 5000 系列上實作 Cerebra。

圖 2. Flutura 已在搭載 Intel Atom® 處理器的 Dell Edge Gateway 5000 系列中實作 Cerebra 演算法。 (圖片由 Dell 提供)

雖然 Cerebra 不受限於任何硬體並且位於邊緣裝置的軟體推疊上,它還是得依賴深度學習演算法才能偵測導致故障的最重要特徵。 Jose 指出,即便演算法尚未針對各種處理架構進行基準測試,但是使用 Intel 處理器可以增強效能。 Flutura 執行副總裁暨美洲地區總監 Rick Harlow 表示很幸運地:「在我們使用的大多數閘道中,我敢說已有 95% 都嵌入了 Intel 處理器。」

充分運用工程師觀點

從各大工廠到石油鑽塔,工程師總是肩負監控、診斷及修復大型設備的重責大任,因此他們需要掌握合情合理的資訊才能做好工作。 Flutura Cerebra 機械智慧平台會運用深度學習演算法來呈現工程師觀點的資料,

如此一來,設備擁有者就能縮短停機時間並改善製程,同時設備廠商還能藉由包含「預測即服務」和「診斷即服務」在內的商業模式,額外創造新的經常性收入流。

作者簡介

Patrick Mannion is a independent content developer and consultant who has been analyzing developments in technology for more than 25 years. Formerly Brand Director for EETimes, EDN, Embedded, Planet Analog, and Embedded.com, now part of AspenCore, he has also been developing and executing community-oriented online- and events-based engineer-to-engineer learning platforms. His focus is on connecting engineers to find novel design solutions and focused skills acquisition in the areas of Embedded, IoT, Test and Measurement, RF/Wireless, and Analog & Mixed-Signal Design.

Profile Photo of Patrick Mannion