訂閱
糾錯
加入自媒體

機(jī)器學(xué)習(xí)之于IOT淺見

為了更好地服務(wù)于目標(biāo)客戶, 嵌入式設(shè)計(jì)團(tuán)隊(duì)也在研究新技術(shù), 如機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。 深度學(xué)習(xí)允許這些設(shè)計(jì)師以有限的資源更快地開發(fā)和部署復(fù)雜的系統(tǒng)和設(shè)備。 通過這些技術(shù), 設(shè)計(jì)團(tuán)隊(duì)可以使用數(shù)據(jù)驅(qū)動的方法建立系統(tǒng)或復(fù)雜的系統(tǒng)模型。

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)不是用基于物理的模型來描述系統(tǒng)的行為, 而是從數(shù)據(jù)推導(dǎo)出系統(tǒng)的模型。當(dāng)需要處理的數(shù)據(jù)量相對較小, 而且問題的復(fù)雜性較低時, 傳統(tǒng)的機(jī)器學(xué)習(xí)算法是有用的。但是, 如果有更多的數(shù)據(jù), 比如無人機(jī), 那么更大的問題又如何呢? 這個挑戰(zhàn)需要深度學(xué)習(xí)技術(shù)。 這種技術(shù)將把我們推向下一個控制設(shè)計(jì)和物聯(lián)網(wǎng)應(yīng)用的時代。

機(jī)器學(xué)習(xí)在工業(yè)資產(chǎn)中的應(yīng)用

首先, 考慮機(jī)器學(xué)習(xí)技術(shù)在工業(yè)資產(chǎn)狀態(tài)監(jiān)測中的應(yīng)用。機(jī)器學(xué)習(xí)將基于條件的監(jiān)測應(yīng)用從被動和預(yù)防性維護(hù)的時代過渡到預(yù)測性維護(hù)。 這些技術(shù)用來檢測異常行為, 診斷問題, 并在某種程度上預(yù)測了工業(yè)資產(chǎn)的剩余使用壽命, 比如馬達(dá), 水泵和渦輪機(jī)等等。

基于機(jī)器學(xué)習(xí)開發(fā)和部署模型的工作流程如圖1所示:

圖1 分析工作流程與機(jī)器學(xué)習(xí)

看看這個流程是如何用來監(jiān)測馬達(dá)健康狀況的。數(shù)據(jù)來自于多種類型的傳感器, 如加速度計(jì), 熱電偶和電動機(jī)上的電流傳感器等。 特征工程通常由兩部分組成: 特征提取和特征提煉(圖2)。

圖2 特征工程

特征提取是用來從原始數(shù)據(jù)(或波形)中獲取有用信息, 以了解資產(chǎn)的健康狀況。例如, 從電動機(jī)發(fā)出的電流信號的頻譜包含了可用于檢測故障的信息, 如圖3所示。 頻譜中不同頻段的平均振幅可以作為從當(dāng)前信號中提取的特征。 從多個傳感器中提取的特征可能有冗余信息。

圖3 從電機(jī)電流信號中提取特征

一種特征提煉的方法是主成分分析(PCA) , 可以用來減少最終用于構(gòu)建模型的特性數(shù)量。、特征數(shù)量的縮減可以減少所使用機(jī)器學(xué)習(xí)模型的復(fù)雜性。縮減的特征集被表示為向量(或數(shù)組) , 并輸入到模型使用的機(jī)器學(xué)習(xí)算法中。

機(jī)器學(xué)習(xí)的類型

模型創(chuàng)建和驗(yàn)證是一個迭代過程, 通過這個過程, 可以實(shí)驗(yàn)幾種機(jī)器學(xué)習(xí)算法, 并選擇最適合目標(biāo)應(yīng)用的算法。一種非監(jiān)督的機(jī)器學(xué)習(xí)算法, 如高斯混合模型(GMM) , 可以用來模擬電機(jī)的正常行為, 并檢測電機(jī)何時開始偏離其基線。 非監(jiān)督的方法有利于發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式, 而無需對數(shù)據(jù)進(jìn)行標(biāo)記。

雖然非監(jiān)督學(xué)習(xí)可以用來檢測馬達(dá)中的異常, 而監(jiān)督學(xué)習(xí)則需要檢測異常的原因。 在監(jiān)督學(xué)習(xí)中, 提出了一對輸入數(shù)據(jù)和所需輸出的算法。這些數(shù)據(jù)被稱為標(biāo)記數(shù)據(jù)。該算法是將輸入映射到輸出的函數(shù)。用于訓(xùn)練機(jī)器學(xué)習(xí)算法的數(shù)據(jù)包括在正常和錯誤條件下提取的特征。 這些特特征是用一組標(biāo)簽來清楚地標(biāo)識出馬達(dá)的狀態(tài)。 支持向量機(jī)、 Logit模型和人工神經(jīng)網(wǎng)絡(luò)是常用的監(jiān)督式機(jī)器學(xué)習(xí)算法。

對傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)的挑戰(zhàn)是特征提取過程。 這是一個脆弱的過程, 需要領(lǐng)域?qū)<业闹R, 通常是機(jī)器學(xué)習(xí)工作流程中的勝負(fù)關(guān)鍵。

向深度學(xué)習(xí)工作流程的邁進(jìn)

深度學(xué)習(xí)算法最近越來越流行, 可能是因?yàn)樗鼈儾辉傩枰卣鞴こ滩襟E。從傳感器獲得的數(shù)據(jù)(原始測量)可以直接輸入 DL 算法, 如圖4所示。

圖4 深度學(xué)習(xí)的工作流程

深度學(xué)習(xí)算法是基于人工神經(jīng)網(wǎng)絡(luò)的。人工神經(jīng)網(wǎng)絡(luò)算法受到了生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能方面的啟發(fā)。這些算法的結(jié)構(gòu)形式是由一組相互連接的計(jì)算節(jié)點(diǎn)(人工神經(jīng)元)組成的層次結(jié)構(gòu)。 第一層被稱為輸入層, 它是輸入信號或數(shù)據(jù)的接口。最后一層是輸出層, 這一層中神經(jīng)元輸出最終的預(yù)測或結(jié)果。

1  2  下一頁>  
聲明: 本文由入駐維科號的作者撰寫,觀點(diǎn)僅代表作者本人,不代表OFweek立場。如有侵權(quán)或其他問題,請聯(lián)系舉報(bào)。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無評論

暫無評論

人工智能 獵頭職位 更多
掃碼關(guān)注公眾號
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯
x
*文字標(biāo)題:
*糾錯內(nèi)容:
聯(lián)系郵箱:
*驗(yàn) 證 碼:

粵公網(wǎng)安備 44030502002758號