前言

現代應用是在物理資源與虛擬資源相互融合的基礎上發展起來的，體現了微控制器、傳感器、通信連接、功率器件、云計算、邊緣計算、人工智能(AI)和機器學習等技術的最新進展。工業物聯網(IIoT)是得益于這些科技進步的主要細分市場之一。物聯網節點分布在工業生產環境中，用于監測機器設備的健康狀態。在這一技術發展趨勢中，預見性維護和規范性維護是兩個常見的關鍵詞。預見性維護是指對設備、工具和機器等進行以預見潛在故障并安排相應維護操作為目的的監測。相對于預見性維護，規范性維護則更先進了一步，不僅可以預見潛在故障，還能提示需要技術維護的位置，從而采用如人工智能或機器學習等常規或非常規方法查明潛在故障的根本原因。這兩種維護方法都比常用的預防性維護方法更先進，因為預防性維護需要定期檢查機器設備，即使被檢查的機器不需要任何特殊干預干預或者維護操作，這將導致高昂的維護成本和資源的浪費。

在這種情況下，許多公司正嘗試了解如何在自己的環境中集成并利用工業物聯網的優勢。意法半導體可為客戶快速評估傳感器、微控制器、通信連接、云計算和儀表板在數據可視化、分析和記錄中的應用可行性提供諸多資源。

在本文中，我們將主要介紹圖形界面設計應用軟件ST AlgoBuilder。該軟件工具可以快速描述STM32微控制器和MEMS傳感器的應用原型，讓用戶設計基于傳感器的應用，把代碼寫入STM32微控制器，并通過與STAlgoBuilder捆綁安裝的Unicleo軟件分析結果。

使用AlgoBuilder提取運動和環境參數的簡易設計

AlgoBuilder 工作流程

簡而言之，AlgoBuilder提出一個零行代碼快速開發原型的方法，使客戶能夠在他們的特定任務中評估我們的傳感器。在點幾下鼠標后，用戶可從ST Nucleo開發板和X-Nucleo-IKS01A2擴展板直觀地提取并導出許多參數，例如，加速度、角速率、磁場、溫度、濕度、壓力、四元數、FFT、運動強度指數，還能取用傳感器數據并在特定任務中進行評估，無需花費精力和時間編寫固件代碼，這對開發者而言極其重要。

最近，ST的MEMS傳感器部門(MSD)決定擴展AlgoBuilder的功能，以便更接近當前的傳感器連接云端應用的需求和必要條件。該軟件增加了傳感器和云服務的連接功能，因為云計算資源的作用比本地硬件更強大。具體來說，新版AlgoBuilder增加了Amazon Web Services連接器，軟件原型正在開發中。傳感器的原始參數或更復雜的派生參數可以與多個云服務集成，用于監測工業物聯網等現代應用中不可預見的變化。

AlgoBuilder的云端入口是AWS IoT Core。一旦進入云端，用戶就可以利用所有可用的微服務來構建可擴展的基于云計算的應用，包括Amazon Kinesis音視頻流數據處理服務、Amazon SNS用戶通知推送服務、AmazonDynamoDB存儲資源、AmazonLambda計算資源、IoT Analytics數據分析服務，以及AWS SageMaker 人工智能和機器學習算法應用服務。

AlgoBuilder、AWS IoT Core和AWS微服務

云應用開發經驗豐富的中型企業客戶知道如何通過整合微服務發布在全球范圍內可伸縮的應用，同時管理數萬或數百萬的用戶或物聯網節點。簡而言之，開發者能夠從AlgoBuilder軟件中提取并利用數據，結合數據傳播延遲和其它云服務限制因素，快速評估開發項目是否適合工業物聯網應用。

我們將通過其它應用示例介紹AlgoBuilder的潛在功能和多種用途。

AlgoBuilder用于游戲應用

AWS RoboMaker是亞馬遜提供的另一項云服務，可以大規模開發、測試和部署智能機器人應用。Robot Operating System (ROS)機器人操作系統是應用最廣泛的開源機器人軟件框架，RoboMaker在ROS上增加了云服務連接功能。AlgoBuilder的新功能能夠在這項服務中直接集成和提取數據，甚至在這種情況下開發基于ST MEMS傳感器的新機器人和自動化應用。傳感器數據將融入一個新的應用領域，在AWS機器學習服務、監測服務和分析服務的配合下，使機器人擁有推送流式數據、導航、溝通、理解和學習的能力。

AlgoBuilder用于機器人自動化

最后，通過在提取的數據集內加入在地理環境中標識IoT節點位置所需的經緯度GPS坐標，AlgoBuilder甚至可用于測試GPS應用。此外，在生成的AlgoBuilder傳感器數據內增加狀態信息和其它密鑰，有助于簡化AlgoBuilder與AWS DynamoDB等服務的集成難度。

本文的最后部分專門討論一個有相關儀表板的云和Web應用原型，將客戶的應用概念，如人工神經網絡(ANN)、卷積神經網絡(CNN)、聚類算法、協同算法和人工智能，配合虛擬現實用于解決簡單和復雜的問題，強化觸控體驗。我們相信，向感興趣的客戶介紹如何挖掘傳感器、云服務和機器學習的融合潛力是非常有價值的。更廣泛地說，這個名為Symbios的系統是一個實驗平臺，旨在為內部和外部客戶提供集成資源、模塊或僅參考設計，以便在數據提取、數據流、數據豐富、數據分析、不同類型的應用方面探索傳感器和云服務的集成潛力，尋找提高傳感器精度和可靠性的潛在解決方案。

在本文中，我們只討論Symbios中與AlgoBuilder相關的功能。

Symbios幾乎可以從AlgoBuilder中實時檢索數據，并在極坐標圖上顯示數據模式。單個或多個傳感器有助于根據所選參數和參數測量值生成一個多傳感器簽名。

例如，下圖所示是Symbios呈現的X、Y和Z軸AlgoBuilder FFT，具體地講，極坐標圖描述每個頻率的FFT幅度。Symbios提供了將來自監測電機的ST MEMS加速度計的數據組成數據集(例如,針對不同電機速度的頻率簽名)、標記模式以及在學習模式中應用卷積神經網絡的功能。只需點擊幾下鼠標，即可用AlgoBuilder傳感器數據模式構建監督型深度學習模型，在同一電機或其它遠程連接的電機上立即開始評估CNN分類器。此外，還可以生成格式與STCubeMX.AI兼容的CNN，以便在STM32 IoT節點上移植和運行。

AlgoBuilder用于云端機器學習頻譜分析

下一張圖片描述了另一個Symbios應用場景，通過AWS檢索AlgoBuilder的環境和運動參數，并在極坐標圖上形成簽名。在實際應用中通過移動電路板或更改環境參數，開發人員可以了解簽名或模式是如何變化的，因為極坐標軸代表了AlgoBuilder提取和發送的參數，用戶能夠快速了解從云服務獲得的傳感器數據對應用項目是否有益。

為了向開發人員提供靈活的數據整合功能，Symbios可將傳感器數據送到兩個不同的極坐標圖。例如，下面左側極坐標圖描述的是運動MEMS加速度計和陀螺儀參數，而右側極坐標圖則是整合了HTS221運動MEMS傳感器數據與和LPS22HB環境傳感器數據。后面的截圖描述的是其它類型的數據整合。

即使在這種情況下，用戶也可以使用所提供的工具箱生成適合的訓練集，還可以開啟人工神經網絡訓練階段以及實時測試。一旦對性能感到滿意，開發人員就可以決定生成ANN網絡，并用STCubeMX.AI工具將生成的ANN移植到STM32微控制器。在了解工作流程后，客戶將能在自己的工作場所復制該方法，從而加快產品開發周期。

工作中的AlgoBuilder和Symbios

其它的演示示例是在單個應用環境中使用AlgoBuilder融合音視頻流，用于開發支持圖論和虛擬現實的高級數據融合算法(腦自動化)，在我們的RND部門，這個課題目前尚處于研發階段，我們將在下一篇文章中為感興趣的讀者深入介紹。在本文中，我們簡要介紹一下這個令人感興趣的新方法——如何僅用一個在本地STM32IoT節點、邊緣或云端或者Web應用中運行的單一的分層互聯的ANN(稱為大腦)來解決復雜任務。下圖是一個由多個非同構人工神經網絡組成的協同網絡的示例，每個圖節點表示一個非同構人工神經網絡。大腦正在等待新的AlgoBuilder輸入，收到后，輸入模式就會被立即傳送到所有網絡節點。單個ANN被激活，將輸出數據傳送到其它ANN。通過這種方式，專門執行特定任務的ANN可以協同解決那些需要復雜工具和設備同時從不同角度監測才能處理的更為復雜的任務。

大腦正在等待新的AlgoBuilder輸入

AlgoBuilder輸入的感知刺激信號將大腦激活

結語

總之，我們相信AlgoBuilder將讓設計者能夠使用零行代碼方法開發云服務導向的現代應用，通過點幾次鼠標就能完成應用可行性評估，縮短研發周期，讓客戶更加滿意。Symbios代表了一個演示案例套件，用于展示云計算時代傳感器與云集成的潛力。