十多年来，物联网(IoT)稳步发展，这得益于连网设备数量的激增。现在，数十亿台连网设备为企业供给了前所未有的时机，能够收集和剖析来自物理国际的数据，以改进其事务流程。在某些状况下，它们还推进了新颖而成功的商业模式，然后引领企业驾驭物联网运用的浪潮。

 

　　在大多数状况下，企业在边际集群或云中处理物联网数据，而不是在边际设备和微操控器中。嵌入式机器学习和TinyML的呈现推翻了这种模式，将运用的智能面向了物联网网络的边际。如本系列的榜首篇文章所述，这供给了显著的优点，包含：

 

　　显著节省带宽、动力和存储资源

 

　　更快和低延迟处理数据的时机

 

　　促进实时操控运用并推进及时决议计划

 

　　充分运用大量数据

 

　　这些优点是有形的，而且具有明确的事务相关性。企业在网络边际运用更多数据和流程的才能能够进步事务功率，这直接转化为钱银收益并进步企业利润。嵌入式机器学习是人工智能和物联网核算范畴的游戏规则改动者，能够进步企业出产力。以下是工业企业布置嵌入式机器学习的5个用例。

 

　　智能财物办理与工业保护

 

　　大多数工业企业依据预防性保护办法来保护财物，该办法取决于定时保护或更换机器和东西等。这些时刻间隔由设备制作商供给的修理保养方针来决议。这种办法有助于避免灾难性的出产停机事件发生，由于财物一般会在毛病发生之前得到保护。但是，预防性保护会导致财物的运用率达不到最佳水平，由于财物总是会被过早替换。

 

　　工业4.0和工业物联网的呈现使工业企业能够对其财物施行依据状况的监测。运用传感器（例如振动传感器、温度传感器、热图画）和财物办理体系的数字数据，企业现在能够实时了解东西和机械等工业财物的状况。此外，运用机器学习算法，他们还能够获得对其财物剩余运用寿命(RUL)的猜测性见地。在某些状况下，牢靠的RUL估量值使工业企业能够将预防性保护转变为猜测性保护。猜测性保护是保护和修理操作的终极愿景，可完成最佳的设备全体功率(OEE)。依据状况的监测和猜测性保护可协助企业进步财物运用率，削减出产停机时刻，消除设备毛病造成的浪费，并在最佳时刻安排保护任务。猜测性保护被认为是第四次工业革命（工业4.0）的杀手级运用之一：它具有实在的投资报答，适用于简直一切工业范畴，包含制作、动力、建筑、智能建筑、石油和天然气、以及采矿等。

 

　　大多数猜测性保护布置都在云中传输和剖析数据。这种办法在操作上存在局限性，例如，依据云的机器学习剖析的毛病猜测并不总是满足快，因而无法采取恰当的弥补或预防措施。嵌入式机器学习为猜测性保护和状况监测增加了重要价值：它发生实时见地，并完成实时决议计划。直接在机器内部的数据采集设备或微操控器上履行机器学习，使工业企业能够及时精确地了解各种财物的状况。这释放了依据实际设备状况进行实时决议计划的潜力。总的来说，嵌入式机器学习进步了猜测性保护运用的功率，增加了财物的运用率，优化了其服务的质量。

 

　　质量办理和零缺点制作

 

　　机器学习最近为制作和出产运营的质量办理开辟了新的天地。具体来说，它赋予了猜测质量的概念，即在质量问题发生之前猜测质量问题的才能。在这个方面，机器学习技术（包含深度学习）运用于出产线。其算法的意图是主动辨认导致产品缺点的条件或模式。依据此，工厂司理能够采取弥补措施来避免缺点发生。此外，机器学习技术可用于优化与其他参数（如成本和环境功能）相关的模式。

 

　　嵌入式机器学习为上述质量办理用例增加了重要价值。具体来说，它供给了一种办法，能够依据设备内部数据的处理来提取对潜在缺点的猜测洞察力。这些洞察力能够与来自云剖析的信息相结合，以辨认导致质量问题的流程和操控参数。同样，它们可用于一起优化多个参数，然后完成零缺点制作。因而，嵌入式机器学习为工厂司理和质量工程师供给了有关缺点的实时财物级信息，这补充了关于质量办理问题的现有知识。因而，它使企业能够在施行全面质量办理(TQM)和六西格码等质量办理战略方面表现出色。总体而言，工业企业能够运用嵌入式机器学习来补充其现有的质量办理知识，以进步产品质量，一起削减出产时刻和成本。

 

　　设备办理中的占用监测

 

　　近年来，物联网对智能建筑和设备办理运用发生了革新性的影响。在建筑物和其他房地产财物中布置传感器使业主能够访问有关其产业状况的实时、最新信息。依据这些信息，他们能够优化HVAC(供暖、通风和空调)体系的运转，以节省成本并改善其环境方针。在这方面，占用率监测运用非常重要。

 

　　依据对来自温度和其他传感器数据的处理，能够精确了解房间和其他物理财物（如桌子、核算机和工作空间）的占用状况。这是优化动力功率和最大化租户舒适度的要害。此外，它还为设备办理者供给了关于财物运用状况的实时见地，使他们能够规划财物的运用并进步其全体出产力。在曩昔的几个月中，由于新冠肺炎疫情的迸发，对此类占用监测运用的需求激增。后者导致大规模长途工作方针的施行，这使得设备办理人员在监测和猜测财物占用模式方面更具挑战性。传感器和物联网运用能够经过供给有关租户在各个空间中实际存在的牢靠和及时信息来协助他们。

 

　　在设备办理环境中，嵌入式机器学习进步了占用办理运用的可继续性和精确性。具体来说，它能够在占用监测传感器内运转计算数据剖析，而不必经过云网关聚合多个传感器值。这进步了监测的精确性和及时性，一起也有助于削减二氧化碳排放量。嵌入式机器学习非常重要，由于设备办理人员正在转向物联网以削减排放并完成雄心勃勃的可继续发展方针。经过这种方式，他们进步了品牌形象并进步了对相关法规的遵守程度。例如，最近的纽约市气候发动法案(CMA)要求建筑物进步动力功率。具体来说，它规定，到2030年，超越25,000平方英尺的建筑物有必要在2005年的基础大将温室气体排放量削减40%，到2050年削减80%。总的来说，嵌入式机器学习是下一代节能设备办理运用的强壮东西。

 

　　牛群监测

 

　　在曩昔几年里，物联网体系和嵌入式设备已经渗透到农业范畴，并完成精准农业。一个突出的比如是，传感器和无处不在的连网设备，如信标、RFID标签和专用嵌入式传感器(例如胃传感器)越来越多地植入在家畜身上，以允许农民监测它们。为此，相关的物联网运用倾向于将有关牛状况的原始数据传输到云端以进行恰当的剖析。但是，在一些状况下，这种办法可能是低效的，甚至是不可行的，由于大部分牛群生活在数千公顷大小的野外环境中。在这种设置中，网络连接(例如，短程物联网网络)可能不足以支撑数据聚合过程中所需的服务质量。此外，此类装置一般需求电池供电，这会发生动力自主性问题。

 

　　嵌入式机器学习和TinyML在缓解这些限制方面供给了实质性的协助。数据剖析发生在家畜身上，这大大削减了需求传输到运用程序后端的数据量。与继续连绵不断收集数据不同的是，在嵌入式设备上布置机器学习能够定时（例如每小时）传输数据。这能够向农民供给有关家畜状况及其活动的见地（例如，歇息、痛苦或呼啸）。这些见地使农民能够对挤奶和屠宰等出产流程做出明智的决议。总的来说，嵌入式机器学习有助于农民在传统云处理不可能或无效的状况下运用精准家畜监测体系的优势。

 

　　危机办理

 

　　机器学习和核算智能技术也用于危机办理和民防运用，包含地震和野火猜测。在这个方面，来自各种传感器的数据一般在云中进行聚合和处理。但是，在危机办理中，时刻是最名贵的：危机办理举动的成功很大程度上取决于危机办理方针猜测的及时性。例如，更早地辨认地震预警信号能够导致更快、更有用的举动。在这个范畴，嵌入式机器学习具有重要价值。

 

　　在野火办理方面，嵌入式机器学习能够供给牢靠性和布置优势，类似于牛群监测状况。特别是，在嵌入式传感器内履行计算模型能够促进及时猜测野火，而无需强壮的网络连接和电池供电的设备。

 

　　总结

 

　　嵌入式机器学习运用广泛，其运用范围不只限于上述五种，例如，在精准农业中，它能够直接在作物上检测作物病害，而不需求在云端对各种数据流进行聚合和剖析。另一个比如是，它能够完成精确的冷藏智能运用，直接剖析敏感产品（例如食物、饮料和药品）的温度，而不必运用环境温度来估量温度异常。总的来说，嵌入式机器学习在许多不同的范畴释放了简直无限的立异时机。

 

　　但是，在工业环境中开发和布置嵌入式机器学习运用并非易事。有必要精心规划每个施行过程，以满意严格的工业要求。从挑选适宜的嵌入式设备到获取满足的练习数据，以及施行适宜的机器学习模型，开发人员和布置人员有必要做出慎重的挑选。