SENSORI INTELLIGENTI: DAI BIG DATA AGLI SMART DATA CON L’INTELLIGENZA ARTIFICIALE

Sfide

Raccogliere tutti i dati possibili e archiviarli nel cloud, nella speranza che vengano successivamente valutati, analizzati e strutturati, è un metodo diffuso, ma non particolarmente efficace per estrarne valore. Il potenziale, nel generare valore aggiunto dai dati, rimane sottoutilizzato e trovare una soluzione in un secondo tempo diventa più difficile. L’alternativa migliore è fare delle considerazioni all’inizio per stabilire quali informazioni siano importanti per l’applicazione e in quale punto del flusso di dati sia possibile estrarle. Parlando in senso figurato, significa pulire i dati, ossia ricavare smart data dai big data sull’intera catena di elaborazione. A livello di applicazione si può decidere quali algoritmi di intelligenza artificiale (AI) abbiano elevate probabilità di successo per le singole fasi di elaborazione. La decisione dipende da alcune condizioni limite, quali dati disponibili, tipo di applicazione, modalità di rilevamento e informazioni di base sui processi fisici di livello inferiore.

Per le singole fasi di elaborazione, gestire e interpretare correttamente i dati è molto importante, per creare valore aggiunto reale dai segnali dei sensori. In base all’applicazione può risultare difficile interpretare correttamente i dati dei sensori discreti ed estrarre le informazioni desiderate, sulle quali spesso influisce direttamente il comportamento nel tempo. Inoltre spesso si deve tenere conto delle dipendenze tra più sensori. Per le attività complesse non è più sufficiente gestire i dati con valori soglia semplici o logica o regole stabilite a priori.

Algoritmi di intelligenza artificiale

L’elaborazione dei dati tramite algoritmi di AI consente invece l’analisi automatica dei dati complessi ricavati dai sensori. In questo modo le informazioni desiderate, e quindi il valore aggiunto, vengono ottenuti dai dati lungo la catena di elaborazione.

Per la creazione di modelli, sempre parte di un algoritmo di AI, esistono fondamentalmente due metodi.

Il primo consiste nel creare modelli mediante formule e relazioni esplicite tra i dati e le informazioni desiderate. Tali approcci richiedono la disponibilità di informazioni di base fisiche, sotto forma di descrizione matematica, i quali, detti anche model-based,
combinano i dati dei sensori con le informazioni di base per ottenere un risultato più preciso. In questo caso l’esempio più famoso è il filtro di Kalman.

Se si dispone solo di dati, e non di informazioni di base che potrebbero essere descritte sotto forma di equazioni matematiche, si devono scegliere i cosiddetti approcci data-driven. Questi algoritmi ricavano le informazioni desiderate direttamente dai dati e comprendono la gamma completa di metodi di machine learning, tra cui regressione lineare, reti neurali, foresta casuale e modelli di Markov nascosti.

Spesso la scelta di un metodo di AI dipende dalle conoscenze esistenti dell’applicazione. Ove è disponibile una vasta conoscenza dettagliata, la AI svolge più un ruolo di supporto e gli algoritmi utilizzati sono piuttosto elementari ma, in mancanza di tale conoscenza, gli algoritmi sono invece molto più complessi. In molti casi è l’applicazione a definire l’hardware e, attraverso questo, i limiti degli algoritmi di AI.

Implementazione embedded, edge o cloud

La catena di elaborazione dati, con gli algoritmi necessari in ogni singola fase, deve essere implementata in modo da generare il maggior valore aggiunto possibile. Solitamente l’implementazione avviene a livello generale: dal piccolo sensore con risorse di calcolo limitate ai gateway e computer periferici fino ai grandi computer cloud. È evidente che gli algoritmi non devono essere implementati solo a un livello, in quanto è più vantaggioso utilizzarli il più possibile vicino al sensore. In questo modo i dati vengono compressi e puliti all’inizio e si ottiene una riduzione dei costi di comunicazione e archiviazione. Inoltre l’estrazione precoce di informazioni essenziali dai dati rende meno complesso lo sviluppo di algoritmi globali a livelli superiori. Nella maggior parte dei casi gli algoritmi dell’area di streaming analytics sono altrettanto utili per evitare archiviazioni inutili di dati e, di conseguenza, costi elevati per la loro trasmissione e conservazione. Questi algoritmi utilizzano ciascun dato una sola volta, per cui l’informazione completa viene estratta direttamente e i dati non devono essere salvati.

Piattaforma embedded con algoritmi di AI

Il microcontrollore ADuCM4050 basato su processore ARM^® Cortex^®-M4F di ADI è un sistema integrato a basso consumo, con unità di power management integrata e dispositivi analogici e digitali per l’acquisizione, l’elaborazione, il controllo e la connessione di dati. Queste caratteristiche lo rendono il candidato perfetto per l’elaborazione di dati locali e ed il trattamento precoce dei dati con algoritmi di AI avanzati.

L’EV-COG-AD4050LZ è una piattaforma di sviluppo e valutazione a consumo bassissimo, adatta per la gamma ADI di sensori, microcontrollori e transceiver HF. Lo shield EV-GEAR-MEMS1Z è stato progettato soprattutto, ma non solo, per valutare diverse tecnologie MEMS ADI; ad esempio, la serie ADXL35x, che comprende l’ADXL355, utilizzata in questo shield, offre un’ottima rilevazione delle vibrazioni, ripetibilità a lungo termine e prestazioni a basso rumore, in spazi ridotti. La combinazione di EV-COG-AD4050LZ e EV-GEAR-MEMS1Z può essere utilizzata per entrare nel mondo del monitoraggio strutturale e della manutenzione predittiva, basato sull’analisi delle vibrazioni, del rumore e della temperatura. Alla piattaforma COG si possono connettere anche altri sensori, secondo necessità, in modo che i metodi AI adottati possano fornire una valutazione più efficace dello stato della macchina attraverso la combinazione di dati provenienti da più sensori. Ciò consente di classificare diverse condizioni operative e di malfunzionamento con una granularità migliore e precisioni più elevate. Grazie all’elaborazione intelligente di segnali sulla piattaforma COG, i big data diventano smart data, per cui gli unici dati trasmessi al dispositivo periferico o al cloud sono quelli relativi all’applicazione in questione.

La piattaforma COG contiene altri shield per la comunicazione wireless. Ad esempio, l’EV-COG-SMARTMESH1Z coniuga alta affidabilità e solidità, oltre a livelli bassissimi di consumo, con un protocollo di comunicazione 6LoWPAN e 802.15.4e adatto a numerose applicazioni industriali. La SmartMesh^® IP è composta da una rete mesh multi-hop di nodi wireless, altamente scalabile e auto-configurante. Un network manager controlla e gestisce le prestazioni e la sicurezza della rete e scambia dati con un’applicazione host.

L’AI embedded può realizzare il valore aggiunto completo soprattutto nei sistemi di monitoraggio, con connettività wireless e alimentati a batteria. La conversione locale dei dati dei sensori in smart data da parte degli algoritmi di AI integrati nell’ADuCM4050 produce un flusso di dati inferiore e, di conseguenza, un consumo energetico inferiore rispetto alla trasmissione diretta di dati verso il dispositivo periferico o il cloud.

Applicazioni

La piattaforma di sviluppo COG, compresi i relativi algoritmi di AI, ha un’ampia gamma di applicazioni nel settore del monitoraggio di macchine, sistemi, strutture e processi, che spaziano dal semplice rilevamento di anomalie alla diagnostica di guasti complessa. La piattaforma consente, ad esempio, attraverso gli accelerometri, il microfono e il sensore di temperatura integrati, di monitorare le vibrazioni e il rumore in diverse macchine e sistemi industriali. L’AI embedded è in grado di rilevare lo stato dei processi, i danni a carico dei cuscinetti o degli statori, i guasti all’elettronica di controllo e perfino i cambiamenti nel comportamento del sistema dovuti, ad esempio, a danni alla parte elettronica. È anche possibile prevedere determinati danni a livello locale, avendo a disposizione un apposito modello predittivo. In questo modo è possibile adottare in anticipo misure di manutenzione e prevenire inutili guasti ‘damage-based’. In mancanza di modelli predittivi, la piattaforma COG può anche aiutare gli esperti del settore a conoscere successivamente il comportamento di una macchina e, nel tempo, a ricavarne un modello completo per la manutenzione predittiva.

Conclusioni

In teoria, attraverso l’analisi locale dei dati, gli algoritmi di AI embedded dovrebbero essere in grado di decidere quali sensori siano importanti per la rispettiva applicazione e l’algoritmo migliore, comportando una “scalabilità intelligente” della piattaforma. Al momento spetta ancora all’esperto trovare l’algoritmo migliore per l’applicazione, anche se gli algoritmi di AI da noi utilizzati possono già essere scalati con il minimo sforzo di implementazione per le diverse applicazioni manutenzione predittiva delle macchine.

L’AI embedded deve anche decidere in merito alla qualità dei dati e, in caso sia insufficiente, trovare ed eseguire le impostazioni ottimali per i sensori e l’intera elaborazione del segnale. In caso di utilizzo di diverse modalità di rilevamento da sensori i limiti di determinati sensori e metodologie di elaborazione dei segnali possono essere compensati usando un algoritmo di AI. In questo modo si ottiene un miglioramento della qualità dei dati e dell’affidabilità del sistema. È possibile limitare il flusso di dati da un sensore nel caso in cui venga classificato dall’algoritmo di AI come non poco rilevante per la rispettiva applicazione.

www.analog.com