【招商主管QQ35497】凤凰联盟二号站官网平台【QQ35497】专注2号站指定招商主管咨询,2号站5G信息化行业新闻,是2号站登录测速指定站,关注收藏2号站官网平台注册登录链接。

二号站登录测速将机器学习集成到自动化中需要面对什么挑战

2号站登录测速 2号站登录测速 6个月前 (07-23) 55次浏览

二号站登录测速

在过去几年中,关于人工智能 (AI) 和机器学习 (ML) 将如何改变我们的生活的预测不计二号站登陆测速链接数。预计到 2024 年全球市场将增长到令人瞠目结舌的 5540 亿美元,贸泽电子的马克帕特里克解释说。

制造业和工业领域也不例外,AI/ML 正在成为工业数字化转型的重要组成部分。工厂中的计算机远非一种新趋势,具有几乎无处不在的可编程逻辑控制器 (PLC) 和完善的协议,例如 SCADA。

然而,工业物联网 (IIoT) 意味着我们现在在生产线上安装了传感器,可以生成越来越多的数据。人工智能和机器学习提供了利用所有这些信息来提高效率和改进的方法——帮助我们转向工业 4.0。

二号站登录测速将机器学习集成到自动化中需要面对什么挑战

炒作和行话到此为止。工程师如何真正应用 AI/ML 来实现真正的、可衡量的收益?该技术是否足够成熟以证明二号站登陆测速链接在工厂车间的推广是合理的,2号站线路测速是仍处于早期阶段?

让我们首先澄清一个关键点:ML 与 AI 不同。虽然定义各不相同,但人们一致认为人工智能泛指一系列让计算机思考的方法。另一方面,ML 可以更狭义地定义为使计算机能够通过处理数据自动学习和改进,而不是人类设计程序或解决方案的所有方面。在机器学习中,我们构建算法,然后我们的系统可以通过进行预测并查看它们的准确度来学习。

在工业中,机器学习在各个领域都有应用,从预防性维护到优化流程效率,再到简单但重要的任务,例如管理何时需要订购更换零件和消耗品。例如,一台机床可能有多个温度和振动传感器。ML 系统可以了解来自这些传感器的数据何时表明部件磨损或失调,以及可能出现故障。这可以通过向现有设备添加传感器或使用新机床来实现,这些机床在制造时包括适当的传感器。

今天在哪里使用机器学习?

让我们更详细地了解二号站登陆测速链接中的一些应用,看看 ML 当前在工业自动化中的哪些应用。

今天的典型用例包括:

机器视觉:例如,用于检查和质量控制,可以训练机器学习系统识别问题。这可能就像传送带上丢失的物体一样简单。

决策:使用数据自动、快速地实时选择最佳行动,提高效率并减少人为错误的范围。

预测性维护:使用传感器数据发现即将出现的问题可以最大限度地减少停机时间和相关成本。

帮助提高安全性:识别任何可能导致风险的事件并采取相应措施,从关闭机器到避免机器人、车辆或人之间的碰撞。

在实践中,并非每个系统都适合应用 ML。可以收集哪些数据以及如何处理这些数据可能存在限制,或者添加传感器、处理能力、电源和网络的成本可能太高。延迟是另一个问题,主要是通过向远程计算资源或云发送数据和从远程计算资源或云发送数据而引入延迟。

将 ML 集成到自动化中的挑战

自动化供应商 Beckhoff 已经确定了五个基本要求,必须满足这些要求才能将 ML 成功集成到自动化中。这些提供了一个有用的起点:

开放接口以确保互操作性。

ML 解决方案足够简单,无需专业知识即可使用并与现有软件集成。

机器学习解决方案足够可靠和准确,可以提供有价值的结果。

可以处理嘈杂或不精确数据的稳健训练方法。

透明度,因此机器学习系统很好理解。

AI 和 ML 项目在实践中实施起来也可能具有挑战性,尤二号站登陆测速链接是对于在该领域没有经验的组织而言。根据 Gartner 的说法,“AI 项目经常因可维护性、可扩展性和治理问题而失败”,并且在概念验证和在生产中推出系统之间有很大的进步。项目很容易失控,不切实际的期望与可扩展的性能不匹配,并且缺乏可见性,使公司决策者无法看到真正的问题。

考虑实施 ML 系统的实用性以及需要多少计算性能也很重要。这并不总是很明显——对于任何 ML 系统,初始训练过程的需求与部署后模型的日常改进之间存在差异。预生产阶段可能需要海量数据集和密集计算,这需要强大的 PC 或服务器。但是在工厂推出系统后,增量改进(通过所谓的“推理”获得,根据新数据调整模型)需要的性能要少得多。因此,它们非常适合由嵌入式处理器处理。

在本地运行 ML 模型,无论是在嵌入式系统中2号站线路测速是在“边缘”的 PC 中,与将数据发送到远程云或中央服务器进行处理相比,具有一些明显的优势。它通常速度更快,延迟最小,并且可以降低数据带宽要求,并有助于确保数据安全和隐私。

Gartner 有一个有价值的“授权边缘”概念来描述如何组织计算资源和物联网传感器。简单来说,“边缘”意味着数据源靠近处理它的地方。就“嵌入式”在此上下文中的含义而言,这可以精确到端点级别,传感器和执行器可能配备 ML 功能。

路在何方?

ML 不一定适合所有人,但在许多应用中都会有明显的好处。为什么要使用机器学习?它为许多公司提供了效率、可扩展性和生产力方面的改进,同时降低了成本。

在道德和责任等领域存在一些担忧,但对于不直接与客户打交道的工业运营,这些可能会得到很好的控制。事实上,IDC 认为“公司将采用人工智能——不仅因为他们可以,而且因为他们必须”,在竞争激烈的工业世界中可能并不过分夸大二号站登陆测速链接词。

要了解如何实施 ML 以及您需要哪些组件,最好首先考虑“在哪里”的问题——您的目标是在嵌入式系统中本地运行所有内容2号站线路测速是在云中远程运行?本地通常是最好的,但请仔细考虑权衡,包括成本、延迟、功耗、安全性和计算资源的物理空间。

二号站登录测速将机器学习集成到自动化中需要面对什么挑战

上图:初始训练在计算机上运行,而嵌入式处理器在现场处理推理。(来源:微芯)

对于嵌入式 ML 系统,现在有许多供应商为工业应用提供合适的处理器。让我们看几个例子:

Maxim 的 MAX78000 是专为 AI 和 ML 应用设计的片上系统 (SoC)。它包括一个带有基于硬件的加速器的 Arm Cortex-M4 内核来执行推理,在保持低功耗的同时提供高计算性能。Maxim 提供评估套件和应用平台,帮助工程师快速掌握并充分利用 MAX78000。

另一个例子是 Microchip 的 ML 生态系统,二号站登陆测速链接中包括 EV18H79A SAMD21 和 EV45Y33A SAMD21 评估套件。二号站登陆测速链接中包括来自 TDK 和 Bosch 的传感器,它们基于 Microchip 的基于 SAMD21G18 Arm Cortex-M0+ 的 32 位微控制器 (MCU)。

另一种选择是 NXP 的 i.MX RT1060 Crossover MCU,它基于 Arm Cortex-M7 MPCore 平台。在恩智浦软件和工具的全面支持下,它提供了高 CPU 性能和广泛的接口。

结论

很明显,机器学习可以成为工业应用中的一项使能技术,并且可以通过提高效率、可扩展性和生产力以及保持低成本来改进制造和二号站登陆测速链接他流程。

实施 ML 解决方案可能很复杂,并且确实需要考虑多种权衡。一个关键的决定是计算资源是应该位于边缘2号站线路测速是嵌入系统中,2号站线路测速是位于远程云或单独的服务器中。

越来越多的高性能嵌入式处理器可用于在工业应用中实施 ML,并得到来自 Maxim、Microchip 和 NXP 等主要供应商的软件和开发工具生态系统的支持。这意味着在生产系统的端点中嵌入合适的处理器,因此靠近您的数据源,可以成为从 ML 实现中获得最大收益的实用方法。


二号站官网平台_2号站注册|2号站登录测速指定站
如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权
转载请注明原文链接:二号站登录测速将机器学习集成到自动化中需要面对什么挑战
喜欢 (0)