十多年來，物聯(lián)網(wǎng)(IoT)穩(wěn)步發(fā)展，這得益于連網(wǎng)設備數(shù)量的激增。如今，數(shù)十億臺連網(wǎng)設備為企業(yè)提供了前所未有的機會，可以收集和分析來自物理世界的數(shù)據(jù)，以改進其業(yè)務流程。在某些情況下，它們還推動了新穎而成功的商業(yè)模式，從而引領企業(yè)駕馭物聯(lián)網(wǎng)應用的浪潮。

在大多數(shù)情況下，企業(yè)在邊緣集群或云中處理物聯(lián)網(wǎng)數(shù)據(jù)，而不是在邊緣設備和微控制器中。嵌入式機器學習和 TinyML 的出現(xiàn)顛覆了這種模式，將應用的智能推向了物聯(lián)網(wǎng)網(wǎng)絡的邊緣。如本系列的第一篇文章所述，這提供了顯著的好處，包括：

• 顯著節(jié)省帶寬、能源和存儲資源
• 更快和低延遲處理數(shù)據(jù)的機會
• 促進實時控制應用并推動及時決策
• 充分利用大量數(shù)據(jù)

這些好處是有形的，并且具有明確的業(yè)務相關性。企業(yè)在網(wǎng)絡邊緣使用更多數(shù)據(jù)和流程的能力可以提高業(yè)務效率，這直接轉化為貨幣收益并提高企業(yè)利潤。嵌入式機器學習是人工智能和物聯(lián)網(wǎng)計算領域的游戲規(guī)則改變者，可以提高企業(yè)生產(chǎn)力。以下是工業(yè)企業(yè)部署嵌入式機器學習的5個用例。

智能資產(chǎn)管理與工業(yè)維護

大多數(shù)工業(yè)企業(yè)基于預防性維護方法來維護資產(chǎn)，該方法取決于定期維護或更換機器和工具等。這些時間間隔由設備制造商提供的維修保養(yǎng)政策來決定。這種方法有助于避免災難性的生產(chǎn)停機事件發(fā)生，因為資產(chǎn)通常會在故障發(fā)生之前得到維護。然而，預防性維護會導致資產(chǎn)的利用率達不到最佳水平，因為資產(chǎn)總是會被過早替換。

工業(yè) 4.0和工業(yè)物聯(lián)網(wǎng)的出現(xiàn)使工業(yè)企業(yè)能夠對其資產(chǎn)實施基于狀態(tài)的監(jiān)測。利用傳感器（例如振動傳感器、溫度傳感器、熱圖像）和資產(chǎn)管理系統(tǒng)的數(shù)字數(shù)據(jù)，企業(yè)現(xiàn)在可以實時了解工具和機械等工業(yè)資產(chǎn)的狀態(tài)。此外，使用機器學習算法，他們還可以獲得對其資產(chǎn)剩余使用壽命(RUL)的預測性見解。在某些情況下，可靠的 RUL 估計值使工業(yè)企業(yè)能夠將預防性維護轉變?yōu)轭A測性維護。預測性維護是維護和維修操作的終極愿景，可實現(xiàn)最佳的設備整體效率(OEE)?；跔顟B(tài)的監(jiān)測和預測性維護可幫助企業(yè)提高資產(chǎn)利用率，減少生產(chǎn)停機時間，消除設備故障造成的浪費，并在最佳時間安排維護任務。預測性維護被認為是第四次工業(yè)革命（工業(yè) 4.0）的殺手級應用之一：它具有切實的投資回報，適用于幾乎所有工業(yè)領域，包括制造、能源、建筑、智能建筑、石油和天然氣、以及采礦等。

大多數(shù)預測性維護部署都在云中傳輸和分析數(shù)據(jù)。這種方法在操作上存在局限性，例如，基于云的機器學習分析的故障預測并不總是足夠快，因而無法采取適當?shù)难a救或預防措施。嵌入式機器學習為預測性維護和狀態(tài)監(jiān)測增加了重要價值：它產(chǎn)生實時見解，并實現(xiàn)實時決策。直接在機器內部的數(shù)據(jù)采集設備或微控制器上執(zhí)行機器學習，使工業(yè)企業(yè)能夠及時準確地了解各種資產(chǎn)的狀態(tài)。這釋放了基于實際設備狀況進行實時決策的潛力?？偟膩碚f，嵌入式機器學習提高了預測性維護應用的效率，增加了資產(chǎn)的利用率，優(yōu)化了其服務的質量。

質量管理和零缺陷制造

機器學習最近為制造和生產(chǎn)運營的質量管理開辟了新的天地。具體來說，它賦予了預測質量的概念，即在質量問題發(fā)生之前預測質量問題的能力。在這個方面，機器學習技術（包括深度學習）應用于生產(chǎn)線。其算法的目的是主動識別導致產(chǎn)品缺陷的條件或模式?；诖?，工廠經(jīng)理可以采取補救措施來防止缺陷發(fā)生。此外，機器學習技術可用于優(yōu)化與其他參數(shù)（如成本和環(huán)境性能）相關的模式。

嵌入式機器學習為上述質量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(jù)設備內部數(shù)據(jù)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云分析的信息相結合，以識別導致質量問題的流程和控制參數(shù)。同樣，它們可用于同時優(yōu)化多個參數(shù)，從而實現(xiàn)零缺陷制造。因此，嵌入式機器學習為工廠經(jīng)理和質量工程師提供了有關缺陷的實時資產(chǎn)級信息，這補充了關于質量管理問題的現(xiàn)有知識。因此，它使企業(yè)能夠在實施全面質量管理 (TQM)和六西格碼等質量管理戰(zhàn)略方面表現(xiàn)出色?？傮w而言，工業(yè)企業(yè)可以利用嵌入式機器學習來補充其現(xiàn)有的質量管理知識，以提高產(chǎn)品質量，同時減少生產(chǎn)時間和成本。

設施管理中的占用監(jiān)測

近年來，物聯(lián)網(wǎng)對智能建筑和設施管理應用產(chǎn)生了變革性的影響。在建筑物和其他房地產(chǎn)資產(chǎn)中部署傳感器使業(yè)主能夠訪問有關其財產(chǎn)狀態(tài)的實時、最新信息。根據(jù)這些信息，他們可以優(yōu)化HVAC(供暖、通風和空調)系統(tǒng)的運行，以節(jié)省成本并改善其環(huán)境指標。在這方面，占用率監(jiān)測應用非常重要。

基于對來自溫度和其他傳感器數(shù)據(jù)的處理，可以準確了解房間和其他物理資產(chǎn)（如桌子、計算機和辦公空間）的占用情況。這是優(yōu)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于資產(chǎn)利用情況的實時見解，使他們能夠規(guī)劃資產(chǎn)的使用并提高其整體生產(chǎn)力。在過去的幾個月中，由于新冠肺炎疫情的爆發(fā)，對此類占用監(jiān)測應用的需求激增。后者導致大規(guī)模遠程辦公政策的實施，這使得設施管理人員在監(jiān)測和預測資產(chǎn)占用模式方面更具挑戰(zhàn)性。傳感器和物聯(lián)網(wǎng)應用可以通過提供有關租戶在各個空間中實際存在的可靠和及時信息來幫助他們。

在設施管理環(huán)境中，嵌入式機器學習提高了占用管理應用的可持續(xù)性和準確性。具體來說，它可以在占用監(jiān)測傳感器內運行統(tǒng)計數(shù)據(jù)分析，而不必通過云網(wǎng)關聚合多個傳感器值。這提高了監(jiān)測的準確性和及時性，同時也有助于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(lián)網(wǎng)以減少排放并實現(xiàn)雄心勃勃的可持續(xù)發(fā)展目標。通過這種方式，他們提高了品牌形象并提高了對相關法規(guī)的遵守程度。例如，最近的紐約市氣候動員法案 (CMA) 要求建筑物提高能源效率。具體來說，它規(guī)定，到 2030 年，超過 25,000 平方英尺的建筑物必須在 2005年的基礎上將溫室氣體排放量減少 40%，到 2050 年減少 80%?？偟膩碚f，嵌入式機器學習是下一代節(jié)能設施管理應用的強大工具。

牛群監(jiān)測

在過去幾年里，物聯(lián)網(wǎng)系統(tǒng)和嵌入式設備已經(jīng)滲透到農業(yè)領域，并實現(xiàn)精準農業(yè)。一個突出的例子是，傳感器和無處不在的連網(wǎng)設備，如信標、RFID標簽和專用嵌入式傳感器(例如胃傳感器)越來越多地植入在牲畜身上，以允許農民監(jiān)測它們。為此，相關的物聯(lián)網(wǎng)應用傾向于將有關牛狀況的原始數(shù)據(jù)傳輸?shù)皆贫艘赃M行適當?shù)姆治?。然而，在一些情況下，這種方法可能是低效的，甚至是不可行的，因為大部分牛群生活在數(shù)千公頃大小的戶外環(huán)境中。在這種設置中，網(wǎng)絡連接(例如，短程物聯(lián)網(wǎng)網(wǎng)絡)可能不足以支持數(shù)據(jù)聚合過程中所需的服務質量。此外，此類裝置通常需要電池供電，這會產(chǎn)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性的幫助。數(shù)據(jù)分析發(fā)生在牲畜身上，這大大減少了需要傳輸?shù)綉贸绦蚝蠖说臄?shù)據(jù)量。與持續(xù)源源不斷收集數(shù)據(jù)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）傳輸數(shù)據(jù)。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(chǎn)流程做出明智的決定。總的來說，嵌入式機器學習有助于農民在傳統(tǒng)云處理不可能或無效的情況下利用精準牲畜監(jiān)測系統(tǒng)的優(yōu)勢。

危機管理

機器學習和計算智能技術也用于危機管理和民防應用，包括地震和野火預測。在這個方面，來自各種傳感器的數(shù)據(jù)通常在云中進行聚合和處理。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上取決于危機管理指標預測的及時性。例如，更早地識別地震預警信號可以導致更快、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(yōu)勢，類似于牛群監(jiān)測情況。特別是，在嵌入式傳感器內執(zhí)行統(tǒng)計模型可以促進及時預測野火，而無需強大的網(wǎng)絡連接和電池供電的設備。

總結

嵌入式機器學習應用廣泛，其應用范圍不僅限于上述五種，例如，在精準農業(yè)中，它可以直接在作物上檢測作物病害，而不需要在云端對各種數(shù)據(jù)流進行聚合和分析。另一個例子是，它可以實現(xiàn)精確的冷藏智能應用，直接分析敏感產(chǎn)品（例如食品、飲料和藥品）的溫度，而不必使用環(huán)境溫度來估計溫度異常?？偟膩碚f，嵌入式機器學習在許多不同的領域釋放了幾乎無限的創(chuàng)新機會。

然而，在工業(yè)環(huán)境中開發(fā)和部署嵌入式機器學習應用并非易事。必須精心規(guī)劃每個實施步驟，以滿足嚴格的工業(yè)要求。從選擇合適的嵌入式設備到獲取足夠的訓練數(shù)據(jù)，以及實施合適的機器學習模型，開發(fā)人員和部署人員必須做出謹慎的選擇。