分析驱动的嵌入式系统的集成实时分析

作者：Paul Pilotte

本系列的前两篇文章介绍了分析驱动的嵌入式系统，并描述了这些系统的数据访问、数据预处理和预测算法类型（第 1 部分可在此处找到，第 2 部分可在此处找到）。在最后一篇文章中，让我们看看如何实现分析并将它们集成到生产和嵌入式系统中。

实时运行分析和控制

图 1 显示了访问和预处理数据以及选择算法的工作流程。在训练工作流程中，您使用存储的数据来开发预处理代码和机器学习来开发经过训练的模型。在预测工作流程中，相同的预处理代码和经过训练的模型应用于实时数据以执行实时分析。

图1 | 用于实时分析的训练路径和预测路径的机器学习工作流程概述。

此工作流可用于将工程、科学和现场数据与业务和交易数据相结合（请参见图 2，了解每种类型的数据源示例）。这允许创建复杂的分析来开发更智能的系统。将传感器生成的数据与其他实时源和他的传统数据是物联网 （IoT）、工业 4.0 的机器对机器 （M2M） 协调以及联网和自动驾驶汽车趋势背后的力量。

图2 通过将传感器数据与来自工程、科学和现场数据以及业务
和交易数据的数据源相结合，实时分析可用于复杂系统。

在 IT 系统和云中集成分析

在某些系统实现中，例如由BuildingIQ开发的系统，在企业 IT 系统中执行分析以提高嵌入式系统性能。分析可以作为与 IT 开发环境（如 Java、Microsoft .NET、Excel 和 C/C++）兼容的可部署组件自动生成，从而无需重新编码即可将它们集成到正在运行的 Web、数据库、桌面和可扩展的企业应用程序中在本地或私有或公共云中。

图3  分析可以集成到业务系统（上）、智能连接系统（左）或两者的组合中。

将分析与传感器和嵌入式设备集成

图 3 还显示了可以集成数据缩减、传感器融合或预测分析以直接在智能连接系统中的嵌入式系统上运行的路径。斯堪尼亚紧急制动系统（在本系列的第 1 部分中描述）就是一个很好的例子。

物联网向更智能和更多连接的传感器的加速趋势增加了将更多处理和分析移动到尽可能靠近传感器的压力。这样做的好处是减少了通过网络传输的数据量，从而降低了传输成本并可以降低无线设备的功耗。对于嵌入式系统设计人员来说，不仅要考虑算法性能，还要考虑整个系统的稳健性、可靠性以及架构和设计的成本。为此，可以使用基于模型的设计方法来模拟系统，自动生成嵌入式代码，并持续测试和验证集成到嵌入式系统中的分析。

这方面的一个例子是使用大数据和分析使我们的汽车更智能的创新。汽车 OEM 正在从现实世界的驾驶情况（想想数百万英里的驾驶）中收集大量数据，记录发动机性能、视频、雷达和其他信号等数据。这些数据用于生成重要的指标，例如车队级别的燃油经济性和性能。工程团队也在使用这些真实数据来设计、开发和测试新型汽车系统，例如高级驾驶辅助系统（ADAS）。通过结合数据分析和基于模型的设计工作流程，ADAS 工程师能够使用带有真实标签的大型测试集改进算法，执行严格的模拟和验证，

分析驱动的嵌入式系统就在这里。创建处理大量业务和工程数据的分析能力使许多行业的设计工程师能够开发更智能的产品和服务。他们可以使用分析来描述和预测系统的行为，并进一步将分析与嵌入式控制系统相结合，以自动化行动和决策。