ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПРИБОРОСТРОЕНИИ

АННОТАЦИЯ

В статье представлена аналитическая информация касаемая современных, недавно вышедших на рынок инструментов реализации искусственного интеллекта во встраиваемых системах от лидеров международного рынка производства электронных компонентов и IT продуктов. Эти инструменты позволяют расширить возможности измерительных устройств, сократить время разработки, трудоемкость и время вывода готового изделия в жизненный цикл. Представлен анализ необходимых характеристик микроконтроллерных устройств для обработки алгоритмов искусственного интеллекта и машинного обучения во встраиваемых системах.

В качестве выводов сформулированы рекомендации по выбору того или иного инструмента машинного обучения в зависимости от сложности освоения, функциональных возможностей и уровня будущего пользователя.

ABSTRACT

The article presents analytical information related to modern, recently entered the market tools for the implementation of artificial intelligence in embedded systems from the leaders of the international market for the production of electronic components and IT products. These tools allow you to expand the capabilities of measuring devices, reduce development time, labor intensity and time for putting the finished product into life cycle. An analysis of the necessary characteristics of microcontroller devices for processing artificial intelligence and machine learning algorithms in embedded systems is presented. As conclusions, recommendations for choosing a particular machine learning tool are formulated depending on the complexity of development, functionality and the level of the future user.

Ключевые слова: встраиваемые системы, приборостроение, искусственный интеллект, машинное обучение.

Keywords: embedded system, instrument-making, artificial intelligence, machine learning.

В настоящее время происходит все больше внедрение систем искусственного интеллекта (ИИ) в повседневную жизнь обывателя[1][2]. Системы искусственного интеллекта более не являются чем-то фантастическим и недоступным. Во многом толчком к развитию и внедрению в повседневную жизнь ИИ послужило существенное увеличение вычислительной мощности аппаратной части электроники и ее миниатюризация, которая позволила осуществлять реализацию алгоритмов ИИ на относительно доступном «железе».

При упоминании технологий ИИ, обычно представляются обывателями крупные вычислительные сервера, дата-центры и другое оборудование с очень большой вычислительной мощностью, существенными массогабаритными характеристиками и соответствующей ценой.

Однако не стоит забывать про встраиваемые системы (Embedded system), которые также не отстают в развитии и совершенствуются от года к году в своих вычислительных возможностях[2].

Для встраиваемых систем активно внедряются кампаниями инструменты с машинным обучением. Компания IBM на своем сайте приводит следующее определение машинного обучения[4]: «Машинное обучение — это отрасль искусственного интеллекта (ИИ) и информатики, которая фокусируется на использовании данных и алгоритмов для имитации способа обучения людей, постепенно повышая его точность». Применимо к встраиваемым системам, можно сказать, что машинное обучение является узкой направленностью искусственного интеллекта и позволяет более точно определить или распознать получаемые сигналы, их изменение, отклонение в приборостроении. Например, компания MSA Safety в своем ультразвуковом детекторе утечки газа Observer-i UGLD[5] использовала комбинацию цифрового сигнального процессора и машинного обучения для более точного и быстрого обнаружения утечек газа из систем, находящихся под давлением.

Таким образом устройство позволяет обнаружить утечки газа, которые генерируют ультразвук в диапазоне от 20 до 80кГц[6], но не реагировать на другие источники ультразвука в этом диапазоне. Прибор получается хорошо защищен от помех и ложного срабатывания, увеличена скорость обнаружения.

Компании производители, занимающиеся разработкой электронных компонентов, микроконтроллеров, ПЛИС, цифровых сигнальных процессоров в свою очередь тоже пытаются найти полезное применение ИИ для своей области и для помощи разработчикам встраиваемых систем в решении тех или иных задач.

Для реализации машинного обучения компании разрабатывают отдельные модули для своих интегрированных сред разработки (IDE – Integrated Development Environment) с функциями машинного обучения (ML или Machine Learning) или выпускают отдельные программы с таким функционалом для своей продукции. В качестве примера стоит рассмотреть компанию STMicroelectronics и ее продукт NanoEdgeAIStudio[7].

В описании компания приводит следующую информацию о своем продукте: «NanoEdge AI Studio (NanoEdgeAIStudio) — это новая технология машинного обучения (ML), позволяющая легко донести до конечных пользователей настоящие инновации.

Всего за несколько шагов разработчики могут создать оптимальную библиотеку ML для своего проекта на основе минимального объема данных.

NanoEdge AI Studio, также называемая Studio — это студия разработки на базе ПК, предназначенная для разработчиков, работающая под управлением Windows или Linux Ubuntu.

Одним из его существенных преимуществ является то, что NanoEdge AI Studio не требует продвинутых навыков в области анализа данных. Любой разработчик программного обеспечения, использующий Studio, может создавать оптимальные библиотеки tinyML в удобной для пользователя среде без каких-либо навыков искусственного интеллекта (ИИ).

NanoEdge AI Studio может генерировать четыре типа библиотек: библиотеки обнаружения аномалий, обнаружения выбросов, классификации и регрессии.

Эти библиотеки можно объединить и связать в цепочку для создания комплексного решения на базе искусственного интеллекта: обнаружение аномалий или выбросов для обнаружения проблем в оборудовании, классификация для определения источника проблемы и регрессия для экстраполяции информации и предоставления реальной информации команде технического обслуживания.

Входные сигналы могут варьироваться от вибрации до давления, звука, магнитного поля, времени полета и даже комбинации нескольких сигналов. Несколько датчиков можно объединить либо в одну библиотеку, либо использовать несколько библиотек одновременно».

Рисунок 1. Алгоритм реализации встроенного программного обеспечения c использованием машинного обучения, предлагаемый компанией ST Microelectronics для отладочных плат Nucleo[7]

Таким образом компания STMicroelectronics дает большой и перспективный инструмент для внедрения в свои разработки инженерам, занятым в приборостроении, где необходимо измерять множество параметров в режиме реального времени с высокой точностью и скоростью. Важно учесть, что данный инструментарий легок в освоении, что всегда выделяло компанию на фоне своих конкурентов.

Среди других широко распространённых продуктов, позволяющих ускорить и упростить разработку: библиотека HAL[8], программное обеспечение для автоматической генерации кода инициализации STM32 CubeMX[9], программное обеспечение для автоматической генерации кода алгоритмов работы и считывания информации с датчиков AlgoBuilder[10].

На рисунке 2 представлено окно со стартовой страницей программы NanoEdge AI Studio, где представлены клавиши создания различных типов проектов, ссылки на руководства и уроки на английском языке.

На рисунке 2 представлен этап задания настроек при создании проекта «Anomaly Detection», также вверху можно наблюдать строку из 7 ячеек-этапов реализации проекта.

Рисунок 2. Стартовая страница NanoEdge AI Studio после активации лицензии

Рисунок 3. Задание настроек NanoEdge AI Studio при создании проекта «Anomaly Detection»

Вторым инструментов для реализации машинного обучения во встраиваемых системах можно назвать Matlab с модулем Machine Learning Toolbox и Deep Learning Toolbox от компании MathWorks[11][12]. Данный модуль значительно сложнее в освоении, но имеет и ряд преимуществ перед NanoEdgeAIStudio.

Стоит начать с того, что Machine Learning Toolbox и Deep Learning Toolbox базируется на всем известном модуле Simulink, это значит имеется возможность интеграции алгоритмов машинного обучения во все проекты, созданные в Simulink. В модуле машинного обучения также присутствует автоматическая генерация года, который возможно оптимизировать после анализа кода модулем Optimization Toolbox.

Так как в Simulink имеется возможность построения практически любых моделей с большим функционалом и возможностями различных модулей, то очень удобно проводить моделирование внутри этой экосистемы с разработанными алгоритмами машинного обучения.

В целом по Matlab достаточно много информации в русскоязычном сегменте интернета, посему не будем на нем заострять внимание.

Как упоминалась выше, вычислительные мощности для реализации машинного обучения порой нужны довольно серьезные, в случае микроконтроллеров на архитектуре ARM это будут устройства на базе серии ARM Cortex-M7[13], обладающие наибольшей производительностью в своем классе.

Однако это влечет за собой существенное увеличение энергопотребления, что особенно критично для приборов портативного типа и устройств непрерывной работы в ждущем режиме. Компания Analog Devices разработала микроконтроллеры, специально предназначенные для применения в тандеме с искусственным интеллектом. У этой серии решены проблемы соотношения производительность-энергопотребление. Это микроконтроллеры MAX7800 и MAX7802[14].

Им удалось реализовать производительность достаточную для машинного обучения на ядре серии ARM Cortex-M4F, что привело к существенно меньшему энергопотреблению по сравнению с ARM Cortex-M7. Производитель указывает ток потребления в активном режиме до 32мкА/МГц (максимальная частотам микроконтроллера 60 МГц, из этого получим ток потребления 1920 мкА или 1,92 мА), в спящем режиме (Sleep mode) до 1,3 мА, в режиме J (режим максимального потребления и производительности для нейросетей) модуль нейронной сети микроконтроллера MAX7802 потребляет 1852 мА. На рисунке 3 представлена блок-диаграмма микроконтроллера и на ней можно увидеть тот самый модуль для нейронный сетей «CONVOLUTIONAL NEURAL NETWORK» который и потребляет в максимальных режимах производительности те самые 1852 мА.

У микроконтроллеров ARM серии Cortex-M7, например TMS320F280013 компании Texas Instruments, заявлено потребление в обычном режиме на уровне 36 мА, что существенно выше в сравнении с 1,92 мА у MAX7802. При этом TMS320F280013 является просто контроллером реального времени и не предназначен для целенаправленного использования в тандеме с нейросетями (хотя не исключает этого).

Для создания алгоритмов машинного обучения, как указывает компания Analog Devices в описании, возможно применение таких программ как TensorFlow и PyTorch для микроконтроллеров MAX7800 и MAX7802 [15].

TensorFlow и PyTorch обе распространяются по технологии Open Source[16], как следствие доступ к ним имеет любой желающий, чего не скажешь об NanoEdgeAIStudio от STMicroelectronics.

При использовании этих программ придется существенно погружаться в программирование для решения задач машинного обучения, причем для PyTorch это будет язык программирования Pyton. Так как при программировании микроконтроллеров используется язык Си, то перед принятием решения об использовании PyTorch во встраиваемых система стоит подумать, стоит ли изучать новый язык для решения одной задачи.

В данном случае предпочтительнее будет использование TensorFlow у которого имеются реализации на С++, что существенно упрощает освоение для человека владеющим языком Си.

Еще одним плюсом в пользу TensorFlow и PyTorch является тот факт, что модели машинного обучения этих фреймворков интегрируются в Matlab.

С учетом обильных возможностей моделирования в Matlab различных систем (механика, пневматика, электрика, электроника, газодинамика, статистика, вероятность, системы автоматического управления и тд) в совокупности с использованием TensorFlow или PyTorch в модуле Deep Learning Toolbox позволяет разработчику иметь впечатляющие возможности применения искусственного интеллекта для управления любыми процессами в различных областях и решения множества задач[12].

Подводя итог можно резюмировать, что для начинающих специалистов, студентов и людей, не владеющих твердыми навыками в использовании языков программирования при реализации машинного обучения во встраиваемых системах в приборостроении предпочтительнее, будет использование NanoEdgeAIStudio для недорогих и доступных микроконтроллеров STM32 на ядре Cortex-M3/M4. В добавок к этому компания ST Microelectronics имеет достаточно программных инструментов, помогающих начинающим в освоении программирования и использования STM32.

Для более серьезных требовательных проектов, для людей владеющих программированием микроконтроллеров на высоком уровне и современной элементной базой, оптимальным вариантом станет использование специализированных устройств для машинного обучения типа MAX7800 и MAX7802, а также применение таких инструментов разработки как Matlab Deep Learning Toolbox c фреймворками PyTorch и TensorFlow.

Заключение: были рассмотрены некоторые доступные инструменты применения искусственного интеллекта, в частности такого раздела как машинное обучение для встраиваемых систем в приборостроении, с целью улучшения показаний измерений и совершенствование функционала изделий. Представлены современные разработки компаний разработчиков ПО и производителей электронных компонентов, позволяющие упростить разработку, внедрение машинного обучения в свои проекты инженерам. Данные инструменты позволяет уменьшить время вывода продукции на рынок, повысить качество и соответствовать современным тенденциям рынка.

Список литературы:

1. Гиреева, Ф. М. Искуственный интеллект / Ф. М. Гиреева // Символ науки: международный научный журнал. – 2023. – № 12-2. – С. 38-40. – EDN VDYLEP.
2. Зинченко, Е. Д. ИСКУСТВЕННЫЙ ИНТЕЛЛЕКТ- КЛЮЧ К ПРОГРЕССУ / Е. Д. Зинченко, Б. М. Бакиров // Аспирант. – 2023. – № 3(79). – С. 20-23. – EDN FWRJIU.
3. Майская, В. Микроконтроллеры, микроконтроллеры, микроконтроллеры... Везде, где только можно вообразить / В. Майская // Электроника: Наука, технология, бизнес. – 2007. – № 6(80). – С. 16-25. – EDN OILLWD.
4. Что такое машинное обучение? [Электронный ресурс] // Официальный сайт компании IBM:  [сайт]. [2024]. URL: https://www.ibm.com/topics/machine-learning (дата обращения 24.12.2023).
5. Ультразвуковой детектор утечки газа Observer I [Электронный ресурс] // Официальный сайт компании MSA The Safety Copany: [сайт]. [2024]. URL: https://gb.msasafety.com/p/000140006900001005?locale=en (дата обращения 24.12.2023).
6. Rejane B. Santos. Spectral Analysis for Detection of Leaks in Pipes Carrying Compressed Air / Rejane B. Santos, Wellick S. de Almeida, Flávio V. da Silva, Sandra L. da Cruz, Ana M. F. Fileti // The Italian Association of Chemical Engineering. – 2013. – №32. – C.1363-1368.
7. Бесплатный инструмент автоматического машинного обучения для умных устройств [Электронный ресурс] // Официальный сайт компании ST Microelectronics:  [сайт]. [2024]. URL: https://www.st.com/en/development-tools/nanoedgeaistudio.html (дата обращения 24.12.2023).
8. Описание для STM32F4 библиотеки HAL и низкоуровневых драйверов [Электронный ресурс] // Официальный сайт компании ST Microelectronics: [сайт]. [2024]. URL: https://www.st.com/resource/en/user_manual/um1725-description-of-stm32f4-hal-and-lowlayer-drivers-stmicroelectronics.pdf (дата обращения 27.12.23).
9. STM32Cube генератор кода инициализации [Электронный ресурс] // Официальный сайт компании ST Microelectronics: [сайт]. [2024]. URL: https://www.st.com/en/development-tools/stm32cubemx.html (дата обращения 27.12.23).
10. AlgoBuilder приложение для графической разработки алгоритмов [Электронный ресурс] // Официальный сайт компании ST Microelectronics: [сайт]. [2024]. URL: https://www.st.com/en/development-tools/algobuilder.html (дата обращения 05.01.24).
11. Набор инструментов для статистики и машинного обучения [Электронный ресурс] // Официальный сайт компании MathWorks: [сайт]. [2024]. URL:  https://www.mathworks.com/products/statistics.html (дата обращения 14.01.24).
12. Набор инструментов для глубокого обучения [Электронный ресурс] // Официальный сайт компании MathWorks: [сайт]. [2024]. URL: https://www.mathworks.com/products/deep-learning.html (дата обращения 14.01.24).
13. Процессоры Cortex-M7 [Электронный ресурс] // Официальный сайт компании ARM: [сайт]. [2024]. URL:  https://developer.arm.com/Processors/Cortex-M7 (дата обращения 14.01.24).
14. Микроконтроллеры со сверхнизким энергопотреблением для искусственного интеллекта (ИИ) [Электронный ресурс] // Официальный сайт компании Analog Devices: [сайт]. [2024]. URL:  https://www.analog.com/en/parametricsearch/12868#/ (дата обращения 14.01.24).
15. Микроконтроллер искусственного интеллекта со сверточной нейронной сетью и сверхнизкой мощностью ускорителя // MAX7800 : руководство пользователя. 2024. URL: https://www.analog.com/media/en/technical-documentation/data-sheets/MAX78000.pdf (дата обращения 14.01.24).
16. Белльхофф П. PyTorch против TensorFlow: Правильное программное обеспечение для машинного обучения [Электронный ресурс] // Официальный сайт компании Krusche & Company: [сайт]. [2024]. URL:  https://kruschecompany.com/pytorch-vs-tensorflow/ (дата обращения 14.01.24).