十多年来，在连接设备数量激增的推动下，物联网(IoT)稳步发展。如今，数十亿台联网设备为企业提供了前所未有的机会，可以收集和分析来自物理世界的数据，以改进他们的业务流程。在某些情况下，它们还推动了新颖而成功的商业模式，引领企业驾驭物联网应用的浪潮。在大多数情况下，企业在边缘集群或云端处理物联网数据，而不是在边缘设备和微控制器中。嵌入式机器学习和TinyML的出现颠覆了这种范式，将应用程序的智能推向了物联网网络的边缘。正如本系列第一篇文章中所述，这提供了显着的好处，包括：显着节省带宽、能源和存储资源有机会以更快的速度和低延迟处理数据，促进实时控制应用程序并推动及时的决策制定好处是有形且具有明确的业务相关性。企业在网络边缘使用更多数据和流程的能力可以提高业务效率，从而直接转化为货币收益和提高企业利润。嵌入式机器学习是人工智能和物联网计算领域的游戏规则改变者，可以提高企业生产力。以下是工业企业部署嵌入式机器学习的5个用例。智能资产管理和工业维护大多数工业公司基于预防性维护方法维护资产，这取决于定期维护或更换机器和工具等。这些间隔由设备制造商提供的维护政策确定。这种方法有助于避免灾难性的生产停机事件，因为资产通常在故障发生之前得到维护。但是，预防性维护可能导致资产利用率不理想，因为资产总是过早更换。工业4.0和工业物联网的出现使工业公司能够对其资产实施基于状态的监控。利用来自传感器（例如振动传感器、温度传感器、热图像）和资产管理系统的数字数据，公司现在可以实时了解工具和机械等工业资产的状态。此外，使用机器学习算法，他们还可以获得对其资产剩余使用寿命(RUL)的预测洞察力。在某些情况下，可靠的RUL估计使工业公司能够将预防性维护转变为预测性维护。预测性维护是维护和维修操作实现最佳整体设备效率(OEE)的最终愿景。基于状态的监控和预测性维护可以帮助公司提高资产利用率，减少生产停机时间，消除设备故障造成的浪费，并在最佳时间安排维护任务。预测性维护被认为是第四次工业革命（工业4.0）的杀手级应用之一：它具有切实的投资回报，适用于几乎所有工业领域，包括制造、能源、建筑、智能建筑、石油和天然气，以及采矿等大多数预测性维护部署在云中传输和分析数据。这种方法存在操作限制，例如，基于云的机器学习分析的故障预测并不总是足够快，无法采取适当的补救或预防措施。嵌入式机器学习为预测性维护和状态监控增加了重要价值：它生成实时洞察力并支持实时决策。直接在机器内部的数据采集设备或微控制器上执行机器学习使工业公司能够及时准确地了解各种资产的状态。这释放了根据实际设备条件进行实时决策的潜力。总体而言，嵌入式机器学习提高了预测性维护应用程序的效率，提高了资产利用率，并优化了服务质量。质量管理和零缺陷制造机器学习最近为制造和生产运营中的质量管理开辟了新天地。具体来说，它给出了预测质量的概念，即在质量问题发生之前对其进行预测的能力。在这方面，机器学习技术（包括深度学习）被应用到生产线上。其算法的目的是主动识别导致产品缺陷的条件或模式。基于此，工厂经理可以采取补救措施来防止缺陷的发生。此外，机器学习技术可用于优化与成本和环境性能等其他参数相关的模式。嵌入式机器学习为上述质量管理用例增加了重要价值。具体来说，它提供了一种方法，用于根据设备内的数据处理提取对潜在缺陷的预测性见解。这些见解可以与来自云分析的信息相结合，以识别导致质量问题的过程和控制参数。同样，它们可用于同时优化多个参数，从而实现零缺陷制造。因此，嵌入式机器学习为工厂经理和质量工程师提供了有关缺陷的实时资产级信息，从而补充了有关质量管理问题的现有知识。因此，它使企业能够在实施全面质量管理(TQM)和六西格码等质量管理战略方面表现出色。总的来说，工业公司可以利用嵌入式机器学习来补充他们现有的质量管理知识，以提高产品质量，同时减少生产时间和成本。设施管理中的占用监控近年来，物联网对智能建筑和设施管理应用产生了变革性影响。在建筑物和其他房地产资产中部署传感器使业主能够访问有关其财产状态的实时、最新信息。基于这些信息，他们可以优化HVAC（供暖、通风和空调）系统的运行，以节省成本并改善他们的环境指标。在这方面，占用监控应用非常重要。基于对来自温度和其他传感器的数据的处理，可以准确了解房间和其他实物资产（如桌子、电脑和办公空间）的占用情况。这是优化能源效率和最大限度提高租户舒适度的关键。此外，它还为设施经理提供对资产利用率的实时洞察，使他们能够规划资产使用并提高整体生产力。由于COVID-19的爆发，过去几个月对此类占用监控应用程序的需求激增。后者导致大规模远程办公政策的实施，使设施管理人员更难监控和预测资产占用模式。传感器和物联网应用程序可以通过提供有关租户在各个空间的实际存在的可靠和及时的信息来帮助租户。在设施管理环境中，嵌入式机器学习提高了占用管理应用程序的可持续性和准确性。具体来说，它可以在占用监测传感器内运行统计数据分析，而无需通过云网关聚合多个传感器值。这提高了监测的准确性和及时性，同时也有助于减少二氧化碳排放。嵌入式机器学习非常重要，因为设施经理正在转向物联网以减少排放并实现雄心勃勃的可持续发展目标。通过这种方式，他们提升了品牌形象并加强了对相关法规的遵守。例如，最近的纽约市气候动员法案(CMA)要求建筑物更加节能。具体而言，它要求大于25,000平方英尺的建筑物必须将温室气体排放量到2030年减少40%，到2050年减少80%，相对于2005年的水平。总体而言，嵌入式机器学习是下一代节能设施管理应用程序的强大工具。牛群监测在过去的几年里，物联网系统和嵌入式设备已经渗透到农业领域并实现了精准农业。一个突出的例子是越来越多地在牲畜身上植入传感器和无处不在的连接设备，例如信标、RFID标签和专门的嵌入式传感器（例如胃传感器），以允许农民监控它们。为此，相关的物联网应用程序倾向于将有关牛状况的原始数据传输到云端以进行适当的分析。然而，在某些情况下，这种方法可能效率低下甚至不可行，因为大多数牛群都生活在户外，面积达数千公顷。在此类设置中，网络连接（例如，短程物联网网络）可能不足以支持数据聚合期间所需的服务质量。此外，此类设备通常需要电池供电，这会产生能源自主性问题。嵌入式机器学习和TinyML为缓解这些限制提供了实质性帮助。数据分析发生在牲畜身上，这大大减少了需要传输到应用程序后端的数据量。在嵌入式设备上部署机器学习可以定期（例如每小时）传输数据，而不是持续收集数据。这可以让农民深入了解牲畜的状况及其活动（例如休息、痛苦或咆哮）。这些见解使农民能够就挤奶和屠宰等生产过程做出明智的决定。总体而言，嵌入式机器学习可帮助农民在传统云处理不可能或无效的情况下利用精确的牲畜监控系统。危机管理机器学习和计算智能技术也用于危机管理和民防应用，包括地震和野火预测。在这方面，来自各种传感器的数据通常在云端进行聚合和处理。然而，在危机管理中，时间至关重要：危机管理行动的成功很大程度上取决于危机管理指标预测的及时性。例如，及早识别地震预警信号可以导致更快、更有效的行动。在这个领域，嵌入式机器学习具有很大的价值。在野火管理方面，嵌入式机器学习可以提供可靠性和部署优势，类似于牛的监控情况。特别是，在嵌入式传感器中执行统计模型可以促进及时预测野火，而无需强大的网络连接和电池供电设备。总结嵌入式机器学习应用广泛，其应用范围不仅仅局限于以上五种。例如，在精准农业中，它可以直接在农作物上检测农作物病害，而不需要在云端聚合和分析各种数据流。又如，实现精准冷库智能应用，直接分析食品、饮料、药品等敏感产品的温度，无需借助环境温度来预估温度异常。总的来说，嵌入式机器学习为许多不同领域的创新释放了几乎无限的机会。然而，在工业环境中开发和部署嵌入式机器学习应用程序并非易事。必须仔细规划每个实施步骤以满足严格的工业要求。从选择合适的嵌入式设备，到获得足够的训练数据，再到实施正确的机器学习模型，开发人员和部署人员都必须做出谨慎的选择。
