Transformer le Big Data en Smart Data avec l'IA intégrée

Les applications de l'industrie 4.0 génèrent un énorme volume de données complexes, les mégadonnées. Le nombre croissant de capteurs et, en général, les sources de données disponibles rendent la vue virtuelle des machines, des systèmes et des processus de plus en plus détaillée. Cela augmente naturellement le potentiel de création de valeur ajoutée tout au long de la chaîne de valeur. En même temps, cependant, la question de savoir comment exactement cette valeur peut être extraite continue de se poser. Après tout, les systèmes et architectures de traitement des données deviennent de plus en plus complexes. Ce n'est qu'avec des données pertinentes, de haute qualité et utiles (des données intelligentes) que le potentiel économique associé peut être réalisé.

Défis

La collecte de toutes les données possibles et leur stockage dans le cloud dans l'espoir qu'elles seront ensuite évaluées, analysées et structurées est une approche répandue mais pas particulièrement efficace pour extraire de la valeur des données. Le potentiel de génération de valeur ajoutée à partir des données reste sous-exploité, et trouver une solution ultérieurement devient plus complexe. Une meilleure alternative consiste à réfléchir dès le début pour déterminer quelles informations sont pertinentes pour l'application et où dans le flux de données les informations peuvent être extraites. Au sens figuré, cela signifie affiner les données, c'est-à-dire créer des données intelligentes à partir de données volumineuses pour l'ensemble de la chaîne de traitement. Une décision concernant les algorithmes d'IA ayant une forte probabilité de succès pour les étapes de traitement individuelles peut être prise au niveau de l'application. Cette décision dépend des conditions limites telles que les données disponibles, le type d'application, les modalités de capteur disponibles et les informations de base sur les processus physiques de niveau inférieur.

(Source de l'image :Analog Devices, Inc.)

Pour les différentes étapes de traitement, une manipulation et une interprétation correctes des données sont extrêmement importantes pour que la valeur ajoutée réelle soit générée à partir des signaux des capteurs. Selon l'application, il peut être difficile d'interpréter correctement les données du capteur discret et d'extraire les informations souhaitées. Le comportement temporel joue souvent un rôle et a un effet direct sur l'information recherchée. De plus, les dépendances entre plusieurs capteurs doivent fréquemment être prises en compte. Pour les tâches complexes, de simples valeurs de seuil et une logique ou des règles déterminées manuellement ne suffisent plus.

Algorithmes d'IA

En revanche, le traitement des données au moyen d'algorithmes d'IA permet l'analyse automatisée de données de capteurs complexes. Grâce à cette analyse, les informations souhaitées et, par conséquent, la valeur ajoutée sont automatiquement obtenues à partir des données tout au long de la chaîne de traitement des données.

Pour la construction de modèles, qui fait toujours partie d'un algorithme d'IA, il existe essentiellement deux approches différentes.

Une approche est la modélisation au moyen de formules et de relations explicites entre les données et les informations souhaitées. Ces approches nécessitent la disponibilité d'informations de base physiques sous la forme d'une description mathématique. Ces approches dites basées sur un modèle combinent les données du capteur avec ces informations de base pour donner un résultat plus précis pour les informations souhaitées. L'exemple le plus connu ici est le filtre de Kalman.

Si des données, mais pas d'informations contextuelles pouvant être décrites sous la forme d'équations mathématiques, sont disponibles, il faut alors choisir des approches dites axées sur les données. Ces algorithmes extraient les informations souhaitées directement à partir des données. Ils englobent la gamme complète des méthodes d'apprentissage automatique, y compris la régression linéaire, les réseaux de neurones, les forêts aléatoires et les modèles de Markov cachés.

La sélection d'une méthode d'IA dépend souvent des connaissances existantes sur l'application. Si de vastes connaissances spécialisées sont disponibles, l'IA joue un rôle plus auxiliaire et les algorithmes utilisés sont assez rudimentaires. Si aucune connaissance d'expert n'existe, les algorithmes d'IA utilisés sont beaucoup plus complexes. Dans de nombreux cas, c'est l'application qui définit le matériel et, par là, les limites des algorithmes d'IA.

Implémentation embarquée, Edge ou Cloud

La chaîne globale de traitement des données avec tous les algorithmes nécessaires à chaque étape doit être mise en œuvre de manière à générer la valeur ajoutée la plus élevée possible. La mise en œuvre se produit généralement au niveau global, du petit capteur avec des ressources informatiques limitées en passant par les passerelles et les ordinateurs de périphérie jusqu'aux grands ordinateurs en nuage. Il est clair que les algorithmes ne doivent pas être implémentés à un seul niveau. Au contraire, il est généralement plus avantageux d'implémenter les algorithmes aussi près que possible du capteur. Ce faisant, les données sont compressées et affinées à un stade précoce et les coûts de communication et de stockage sont réduits. De plus, grâce à l'extraction précoce des informations essentielles des données, le développement d'algorithmes globaux aux niveaux supérieurs est moins complexe. Dans la plupart des cas, les algorithmes du domaine de l'analyse en continu sont également utiles pour éviter le stockage inutile de données et, par conséquent, les coûts élevés de transfert et de stockage de données. Ces algorithmes n'utilisent chaque point de données qu'une seule fois; c'est-à-dire que les informations complètes sont extraites directement et que les données n'ont pas besoin d'être stockées.

Le traitement des algorithmes d'IA à la périphérie (c'est-à-dire l'IA embarquée) nécessite un microcontrôleur intégré avec des périphériques analogiques et numériques pour l'acquisition, le traitement, le contrôle et la connectivité des données. Le processeur doit également être capable de capturer et de traiter les données localement en temps réel, ainsi que de disposer des ressources informatiques nécessaires pour exécuter des algorithmes d'IA intelligents de pointe. Par exemple, l'ADuCM4050 d'Analog Devices est basé sur l'architecture ARM Cortex-M4F et fournit une approche intégrée et économe en énergie pour l'IA embarquée.

La mise en œuvre de l'IA embarquée va bien au-delà du simple microcontrôleur. Pour accélérer la conception, de nombreux fabricants de silicium ont créé des plates-formes de développement et d'évaluation comme l'EV-COG-AD4050LZ. Ces plates-formes rassemblent des microcontrôleurs avec des composants tels que des capteurs et un émetteur-récepteur HF pour permettre aux ingénieurs d'explorer l'IA embarquée sans avoir à devenir des experts dans plusieurs technologies. Ces plates-formes sont extensibles, permettent aux développeurs de travailler avec différents capteurs et autres composants. Par exemple, le bouclier EV-GEAR-MEMS1Z permet aux ingénieurs d'évaluer rapidement différentes technologies MEMS telles que la série ADXL35x, y compris l'ADXL355, utilisée dans ce bouclier offre une rectification supérieure des vibrations, une répétabilité à long terme et des performances à faible bruit dans une petite forme facteur.

La combinaison de plates-formes et de blindages comme l'EV-COG-AD4050LZ et l'EV-GEAR-MEMS1Z permet aux ingénieurs d'entrer dans le monde de la santé structurelle et de la surveillance de l'état des machines sur la base de l'analyse des vibrations, du bruit et de la température. D'autres capteurs peuvent être connectés à la plate-forme selon les besoins afin que les méthodes d'IA utilisées puissent fournir une meilleure estimation de la situation actuelle grâce à ce que l'on appelle la fusion de données multicapteurs. De cette manière, diverses conditions de fonctionnement et de défaut peuvent être classées avec une meilleure granularité et une probabilité plus élevée. Grâce au traitement intelligent du signal sur la plate-forme, les mégadonnées deviennent des données intelligentes localement, ce qui fait qu'il n'est nécessaire que les données pertinentes pour le dossier d'application soient envoyées à la périphérie ou au cloud.

L'approche de la plate-forme simplifie également les communications car des blindages sont disponibles pour différentes communications sans fil. Par exemple, l'EV-COG-SMARTMESH1Z combine une fiabilité et une robustesse élevées ainsi qu'une consommation d'énergie extrêmement faible avec un protocole de communication 6LoWPAN et 802.15.4e qui s'adresse à un grand nombre d'applications industrielles. Le réseau IP SmartMesh est composé d'un maillage multi-sauts hautement évolutif et auto-formé de nœuds sans fil qui collectent et relaient les données. Un gestionnaire de réseau surveille et gère les performances et la sécurité du réseau et échange des données avec une application hôte.

Pour les systèmes de surveillance d'état sans fil fonctionnant sur batterie en particulier, l'IA embarquée peut réaliser la pleine valeur ajoutée. La conversion locale des données du capteur en données intelligentes par les algorithmes d'IA intégrés dans l'ADuCM4050 entraîne un flux de données inférieur et, par conséquent, une consommation d'énergie moindre que ce n'est le cas avec la transmission directe des données du capteur vers la périphérie ou le cloud.

Applications

Les plateformes de développement d'algorithmes d'IA, y compris les algorithmes d'IA développés pour elles, ont une très large gamme d'applications dans le domaine de la surveillance des machines, des systèmes, des structures et des processus qui vont de la simple détection d'anomalies au diagnostic de pannes complexes. L'utilisation d'accéléromètres, de microphones et de capteurs de température intégrés permet des capacités telles que la surveillance des vibrations et du bruit de diverses machines et systèmes industriels. L'IA intégrée peut être utilisée pour détecter les états du processus, les dommages aux roulements ou au stator, les défaillances de l'électronique de commande et même les changements inconnus du comportement du système dus à des dommages à l'électronique. Si un modèle prédictif est disponible pour certains dommages, ces dommages peuvent même être prédits localement. Grâce à cela, des mesures de maintenance peuvent être prises à un stade précoce et ainsi une défaillance inutile basée sur des dommages peut être évitée. Si aucun modèle prédictif n'existe, la plate-forme peut également aider les experts en la matière à apprendre successivement le comportement d'une machine et, au fil du temps, à dériver un modèle complet de la machine pour la maintenance prédictive.

Idéalement, grâce à l'analyse des données locales correspondantes, les algorithmes d'IA intégrés devraient être en mesure de décider quels capteurs sont pertinents pour l'application respective et quel algorithme est le meilleur pour elle. Cela signifie une évolutivité intelligente de la plate-forme. À l'heure actuelle, c'est toujours l'expert en la matière qui doit trouver le meilleur algorithme pour l'application respective, même si les algorithmes d'IA peuvent déjà être mis à l'échelle avec un effort de mise en œuvre minimal pour diverses applications de surveillance de l'état des machines.

L'IA embarquée doit également prendre une décision concernant la qualité des données et, si elle est insuffisante, rechercher et effectuer les réglages optimaux pour les capteurs et l'ensemble du traitement du signal. Si plusieurs modalités de capteurs différentes sont utilisées pour la fusion de capteurs, un algorithme d'IA peut compenser les inconvénients de certains capteurs et méthodes. Grâce à cela, la qualité des données et la fiabilité du système sont augmentées. Si l'algorithme d'IA classe un capteur comme peu pertinent pour l'application, son flux de données peut être limité en conséquence.

La plate-forme ouverte COG d'ADI contient un kit de développement logiciel disponible gratuitement et de nombreux exemples de projets de matériel et de logiciels pour accélérer la création de prototypes, faciliter le développement et réaliser des idées originales. Grâce à la fusion de données multicapteurs (EV-GEAR-MEMS1Z) et à l'IA intégrée (EV-COG-AD4050LZ), un réseau maillé sans fil robuste et fiable (SMARTMESH1Z) de capteurs intelligents peut être créé.