免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

為了更好地服務于目標客戶， 嵌入式設計團隊也在研究新技術， 如機器學習和深度學習。 深度學習允許這些設計師以有限的資源更快地開發和部署復雜的系統和設備。 通過這些技術， 設計團隊可以使用數據驅動的方法建立系統或復雜的系統模型。

機器學習和深度學習不是用基于物理的模型來描述系統的行為， 而是從數據推導出系統的模型。當需要處理的數據量相對較小， 而且問題的復雜性較低時， 傳統的機器學習算法是有用的。但是， 如果有更多的數據， 比如無人機， 那么更大的問題又如何呢？ 這個挑戰需要深度學習技術。 這種技術將把我們推向下一個控制設計和物聯網應用的時代。

機器學習在工業資產中的應用

首先， 考慮機器學習技術在工業資產狀態監測中的應用。機器學習將基于條件的監測應用從被動和預防性維護的時代過渡到預測性維護。 這些技術用來檢測異常行為， 診斷問題， 并在某種程度上預測了工業資產的剩余使用壽命， 比如馬達， 水泵和渦輪機等等。

基于機器學習開發和部署模型的工作流程如圖1所示：

圖1 分析工作流程與機器學習

看看這個流程是如何用來監測馬達健康狀況的。數據來自于多種類型的傳感器， 如加速度計， 熱電偶和電動機上的電流傳感器等。 特征工程通常由兩部分組成： 特征提取和特征提煉（圖2）。

圖2 特征工程

特征提取是用來從原始數據（或波形）中獲取有用信息， 以了解資產的健康狀況。例如， 從電動機發出的電流信號的頻譜包含了可用于檢測故障的信息， 如圖3所示。 頻譜中不同頻段的平均振幅可以作為從當前信號中提取的特征。 從多個傳感器中提取的特征可能有冗余信息。

圖3 從電機電流信號中提取特征

一種特征提煉的方法是主成分分析（PCA） ， 可以用來減少最終用于構建模型的特性數量。、特征數量的縮減可以減少所使用機器學習模型的復雜性。縮減的特征集被表示為向量（或數組） ， 并輸入到模型使用的機器學習算法中。

機器學習的類型

模型創建和驗證是一個迭代過程， 通過這個過程， 可以實驗幾種機器學習算法， 并選擇最適合目標應用的算法。一種非監督的機器學習算法， 如高斯混合模型（GMM） ， 可以用來模擬電機的正常行為， 并檢測電機何時開始偏離其基線。 非監督的方法有利于發現數據中隱藏的模式， 而無需對數據進行標記。

雖然非監督學習可以用來檢測馬達中的異常， 而監督學習則需要檢測異常的原因。 在監督學習中， 提出了一對輸入數據和所需輸出的算法。這些數據被稱為標記數據。該算法是將輸入映射到輸出的函數。用于訓練機器學習算法的數據包括在正常和錯誤條件下提取的特征。 這些特特征是用一組標簽來清楚地標識出馬達的狀態。 支持向量機、 Logit模型和人工神經網絡是常用的監督式機器學習算法。

對傳統機器學習技術的挑戰是特征提取過程。 這是一個脆弱的過程， 需要領域專家的知識， 通常是機器學習工作流程中的勝負關鍵。

向深度學習工作流程的邁進

深度學習算法最近越來越流行， 可能是因為它們不再需要特征工程步驟。從傳感器獲得的數據（原始測量）可以直接輸入 DL 算法， 如圖4所示。

圖4 深度學習的工作流程

深度學習算法是基于人工神經網絡的。人工神經網絡算法受到了生物神經網絡結構和功能方面的啟發。這些算法的結構形式是由一組相互連接的計算節點（人工神經元）組成的層次結構。 第一層被稱為輸入層， 它是輸入信號或數據的接口。最后一層是輸出層， 這一層中神經元輸出最終的預測或結果。