具有成熟投资回报价值的机器学习应用

十多年来，物联网(IoT)稳步发展，这得益于连网设备数量的激增。如今，数十亿台连网设备为企业提供了前所未有的机会，可以收集和分析来自物理世界的数据，以改进其业务流程。在某些情况下，它们还推动了新颖而成功的商业模式，从而引领企业驾驭物联网应用的浪潮。

在大多数情况下，企业在边缘集群或云中处理物联网数据，而不是在边缘设备和微控制器中。嵌入式机器学习和 TinyML 的出现颠覆了这种模式，将应用的智能推向了物联网网络的边缘。如本系列的第一篇文章所述，这提供了显著的好处，包括：

显著节省带宽、能源和存储资源
更快和低延迟处理数据的机会
促进实时控制应用并推动及时决策
充分利用大量数据

这些好处是有形的，并且具有明确的业务相关性。企业在网络边缘使用更多数据和流程的能力可以提高业务效率，这直接转化为货币收益并提高企业利润。嵌入式机器学习是人工智能和物联网计算领域的游戏规则改变者，可以提高企业生产力。以下是工业企业部署嵌入式机器学习的5个用例。

智能资产管理与工业维护

大多数工业企业基于预防性维护方法来维护资产，该方法取决于定期维护或更换机器和工具等。这些时间间隔由设备制造商提供的维修保养政策来决定。这种方法有助于避免灾难性的生产停机事件发生，因为资产通常会在故障发生之前得到维护。然而，预防性维护会导致资产的利用率达不到最佳水平，因为资产总是会被过早替换。

工业 4.0和工业物联网的出现使工业企业能够对其资产实施基于状态的监测。利用传感器（例如振动传感器、温度传感器、热图像）和资产管理系统的数字数据，企业现在可以实时了解工具和机械等工业资产的状态。此外，使用机器学习算法，他们还可以获得对其资产剩余使用寿命(RUL)的预测性见解。在某些情况下，可靠的 RUL 估计值使工业企业能够将预防性维护转变为预测性维护。预测性维护是维护和维修操作的终极愿景，可实现最佳的设备整体效率(OEE)。基于状态的监测和预测性维护可帮助企业提高资产利用率，减少生产停机时间，消除设备故障造成的浪费，并在最佳时间安排维护任务。预测性维护被认为是第四次工业革命（工业 4.0）的杀手级应用之一：它具有切实的投资回报，适用于几乎所有工业领域，包括制造、能源、建筑、智能建筑、石油和天然气、以及采矿等。

大多数预测性维护部署都在云中传输和分析数据。这种方法在操作上存在局限性，例如，基于云的机器学习分析的故障预测并不总是足够快，因而无法采取适当的补救或预防措施。嵌入式机器学习为预测性维护和状态监测增加了重要价值：它产生实时见解，并实现实时决策。直接在机器内部的数据采集设备或微控制器上执行机器学习，使工业企业能够及时准确地了解各种资产的状态。这释放了基于实际设备状况进行实时决策的潜力。总的来说，嵌入式机器学习提高了预测性维护应用的效率，增加了资产的利用率，优化了其服务的质量。

质量管理和零缺陷制造

机器学习最近为制造和生产运营的质量管理开辟了新的天地。具体来说，它赋予了预测质量的概念，即在质量问题发生之前预测质量问题的能力。在这个方面，机器学习技术（包括深度学习）应用于生产线。其算法的目的是主动识别导致产品缺陷的条件或模式。基于此，工厂经理可以采取补救措施来防止缺陷发生。此外，机器学习技术可用于优化与其他参数（如成本和环境性能）相关的模式。

嵌入式机器学习为上述质量管理用例增加了重要价值。具体来说，它提供了一种方法，可以根据设备内部数据的处理来提取对潜在缺陷的预测洞察力。这些洞察力可以与来自云分析的信息相结合，以识别导致质量问题的流程和控制参数。同样，它们可用于同时优化多个参数，从而实现零缺陷制造。因此，嵌入式机器学习为工厂经理和质量工程师提供了有关缺陷的实时资产级信息，这补充了关于质量管理问题的现有知识。因此，它使企业能够在实施全面质量管理 (TQM)和六西格码等质量管理战略方面表现出色。总体而言，工业企业可以利用嵌入式机器学习来补充其现有的质量管理知识，以提高产品质量，同时减少生产时间和成本。

设施管理中的占用监测

近年来，物联网对智能建筑和设施管理应用产生了变革性的影响。在建筑物和其他房地产资产中部署传感器使业主能够访问有关其财产状态的实时、最新信息。根据这些信息，他们可以优化HVAC(供暖、通风和空调)系统的运行，以节省成本并改善其环境指标。在这方面，占用率监测应用非常重要。

基于对来自温度和其他传感器数据的处理，可以准确了解房间和其他物理资产（如桌子、计算机和办公空间）的占用情况。这是优化能源效率和最大化租户舒适度的关键。此外，它还为设施管理者提供了关于资产利用情况的实时见解，使他们能够规划资产的使用并提高其整体生产力。在过去的几个月中，由于新冠肺炎疫情的爆发，对此类占用监测应用的需求激增。后者导致大规模远程办公政策的实施，这使得设施管理人员在监测和预测资产占用模式方面更具挑战性。传感器和物联网应用可以通过提供有关租户在各个空间中实际存在的可靠和及时信息来帮助他们。

在设施管理环境中，嵌入式机器学习提高了占用管理应用的可持续性和准确性。具体来说，它可以在占用监测传感器内运行统计数据分析，而不必通过云网关聚合多个传感器值。这提高了监测的准确性和及时性，同时也有助于减少二氧化碳排放量。嵌入式机器学习非常重要，因为设施管理人员正在转向物联网以减少排放并实现雄心勃勃的可持续发展目标。通过这种方式，他们提高了品牌形象并提高了对相关法规的遵守程度。例如，最近的纽约市气候动员法案 (CMA) 要求建筑物提高能源效率。具体来说，它规定，到 2030 年，超过 25,000 平方英尺的建筑物必须在 2005年的基础上将温室气体排放量减少 40%，到 2050 年减少 80%。总的来说，嵌入式机器学习是下一代节能设施管理应用的强大工具。

牛群监测

在过去几年里，物联网系统和嵌入式设备已经渗透到农业领域，并实现精准农业。一个突出的例子是，传感器和无处不在的连网设备，如信标、RFID标签和专用嵌入式传感器(例如胃传感器)越来越多地植入在牲畜身上，以允许农民监测它们。为此，相关的物联网应用倾向于将有关牛状况的原始数据传输到云端以进行适当的分析。然而，在一些情况下，这种方法可能是低效的，甚至是不可行的，因为大部分牛群生活在数千公顷大小的户外环境中。在这种设置中，网络连接(例如，短程物联网网络)可能不足以支持数据聚合过程中所需的服务质量。此外，此类装置通常需要电池供电，这会产生能源自主性问题。

嵌入式机器学习和TinyML在缓解这些限制方面提供了实质性的帮助。数据分析发生在牲畜身上，这大大减少了需要传输到应用程序后端的数据量。与持续源源不断收集数据不同的是，在嵌入式设备上部署机器学习可以定期（例如每小时）传输数据。这可以向农民提供有关牲畜状况及其活动的见解（例如，休息、痛苦或吼叫）。这些见解使农民能够对挤奶和屠宰等生产流程做出明智的决定。总的来说，嵌入式机器学习有助于农民在传统云处理不可能或无效的情况下利用精准牲畜监测系统的优势。

危机管理

机器学习和计算智能技术也用于危机管理和民防应用，包括地震和野火预测。在这个方面，来自各种传感器的数据通常在云中进行聚合和处理。然而，在危机管理中，时间是最宝贵的：危机管理行动的成功很大程度上取决于危机管理指标预测的及时性。例如，更早地识别地震预警信号可以导致更快、更有效的行动。在这个领域，嵌入式机器学习具有重要价值。

在野火管理方面，嵌入式机器学习可以提供可靠性和部署优势，类似于牛群监测情况。特别是，在嵌入式传感器内执行统计模型可以促进及时预测野火，而无需强大的网络连接和电池供电的设备。

总结

嵌入式机器学习应用广泛，其应用范围不仅限于上述五种，例如，在精准农业中，它可以直接在作物上检测作物病害，而不需要在云端对各种数据流进行聚合和分析。另一个例子是，它可以实现精确的冷藏智能应用，直接分析敏感产品（例如食品、饮料和药品）的温度，而不必使用环境温度来估计温度异常。总的来说，嵌入式机器学习在许多不同的领域释放了几乎无限的创新机会。

然而，在工业环境中开发和部署嵌入式机器学习应用并非易事。必须精心规划每个实施步骤，以满足严格的工业要求。从选择合适的嵌入式设备到获取足够的训练数据，以及实施合适的机器学习模型，开发人员和部署人员必须做出谨慎的选择。