十多年來，物聯網(IoT)穩步發展，這得益于連網設備數量的激增。如今，數十億臺連網設備為企業提供了前所未有的機會，可以收集和分析來自物理世界的數據，以改進其業務流程。在某些情況下，它們還推動了新穎而成功的商業模式，從而引領企業駕馭物聯網應用的浪潮。

在大多數情況下，企業在邊緣集群或云中處理物聯網數據，而不是在邊緣設備和微控制器中。嵌入式機器學習和 TinyML 的出現顛覆了這種模式，將應用的智能推向了物聯網網絡的邊緣。如本系列的第一篇文章所述，這提供了顯著的好處，包括：

• 顯著節省帶寬、能源和存儲資源
• 更快和低延遲處理數據的機會
• 促進實時控制應用并推動及時決策
• 充分利用大量數據

這些好處是有形的，并且具有明確的業務相關性。企業在網絡邊緣使用更多數據和流程的能力可以提高業務效率，這直接轉化為貨幣收益并提高企業利潤。嵌入式機器學習是人工智能和物聯網計算領域的游戲規則改變者，可以提高企業生產力。以下是工業企業部署嵌入式機器學習的5個用例。

智能資產管理與工業維護

大多數工業企業基于預防性維護方法來維護資產，該方法取決于定期維護或更換機器和工具等。這些時間間隔由設備制造商提供的維修保養政策來決定。這種方法有助于避免災難性的生產停機事件發生，因為資產通常會在故障發生之前得到維護。然而，預防性維護會導致資產的利用率達不到最佳水平，因為資產總是會被過早替換。

工業 4.0和工業物聯網的出現使工業企業能夠對其資產實施基于狀態的監測。利用傳感器（例如振動傳感器、溫度傳感器、熱圖像）和資產管理系統的數字數據，企業現在可以實時了解工具和機械等工業資產的狀態。此外，使用機器學習算法，他們還可以獲得對其資產剩余使用壽命(RUL)的預測性見解。在某些情況下，可靠的 RUL 估計值使工業企業能夠將預防性維護轉變為預測性維護。預測性維護是維護和維修操作的終極愿景，可實現最佳的設備整體效率(OEE)。基于狀態的監測和預測性維護可幫助企業提高資產利用率，減少生產停機時間，消除設備故障造成的浪費，并在最佳時間安排維護任務。預測性維護被認為是第四次工業革命（工業 4.0）的殺手級應用之一：它具有切實的投資回報，適用于幾乎所有工業領域，包括制造、能源、建筑、智能建筑、石油和天然氣、以及采礦等。

大多數預測性維護部署都在云中傳輸和分析數據。這種方法在操作上存在局限性，例如，基于云的機器學習分析的故障預測并不總是足夠快，因而無法采取適當的補救或預防措施。嵌入式機器學習為預測性維護和狀態監測增加了重要價值：它產生實時見解，并實現實時決策。直接在機器內部的數據采集設備或微控制器上執行機器學習，使工業企業能夠及時準確地了解各種資產的狀態。這釋放了基于實際設備狀況進行實時決策的潛力。總的來說，嵌入式機器學習提高了預測性維護應用的效率，增加了資產的利用率，優化了其服務的質量。

質量管理和零缺陷制造

機器學習最近為制造和生產運營的質量管理開辟了新的天地。具體來說，它賦予了預測質量的概念，即在質量問題發生之前預測質量問題的能力。在這個方面，機器學習技術（包括深度學習）應用于生產線。其算法的目的是主動識別導致產品缺陷的條件或模式。基于此，工廠經理可以采取補救措施來防止缺陷發生。此外，機器學習技術可用于優化與其他參數（如成本和環境性能）相關的模式。

嵌入式機器學習為上述質量管理用例增加了重要價值。具體來說，它提供了一種方法，可以根據設備內部數據的處理來提取對潛在缺陷的預測洞察力。這些洞察力可以與來自云分析的信息相結合，以識別導致質量問題的流程和控制參數。同樣，它們可用于同時優化多個參數，從而實現零缺陷制造。因此，嵌入式機器學習為工廠經理和質量工程師提供了有關缺陷的實時資產級信息，這補充了關于質量管理問題的現有知識。因此，它使企業能夠在實施全面質量管理 (TQM)和六西格碼等質量管理戰略方面表現出色。總體而言，工業企業可以利用嵌入式機器學習來補充其現有的質量管理知識，以提高產品質量，同時減少生產時間和成本。

設施管理中的占用監測

近年來，物聯網對智能建筑和設施管理應用產生了變革性的影響。在建筑物和其他房地產資產中部署傳感器使業主能夠訪問有關其財產狀態的實時、最新信息。根據這些信息，他們可以優化HVAC(供暖、通風和空調)系統的運行，以節省成本并改善其環境指標。在這方面，占用率監測應用非常重要。

基于對來自溫度和其他傳感器數據的處理，可以準確了解房間和其他物理資產（如桌子、計算機和辦公空間）的占用情況。這是優化能源效率和最大化租戶舒適度的關鍵。此外，它還為設施管理者提供了關于資產利用情況的實時見解，使他們能夠規劃資產的使用并提高其整體生產力。在過去的幾個月中，由于新冠肺炎疫情的爆發，對此類占用監測應用的需求激增。后者導致大規模遠程辦公政策的實施，這使得設施管理人員在監測和預測資產占用模式方面更具挑戰性。傳感器和物聯網應用可以通過提供有關租戶在各個空間中實際存在的可靠和及時信息來幫助他們。

在設施管理環境中，嵌入式機器學習提高了占用管理應用的可持續性和準確性。具體來說，它可以在占用監測傳感器內運行統計數據分析，而不必通過云網關聚合多個傳感器值。這提高了監測的準確性和及時性，同時也有助于減少二氧化碳排放量。嵌入式機器學習非常重要，因為設施管理人員正在轉向物聯網以減少排放并實現雄心勃勃的可持續發展目標。通過這種方式，他們提高了品牌形象并提高了對相關法規的遵守程度。例如，最近的紐約市氣候動員法案 (CMA) 要求建筑物提高能源效率。具體來說，它規定，到 2030 年，超過 25,000 平方英尺的建筑物必須在 2005年的基礎上將溫室氣體排放量減少 40%，到 2050 年減少 80%。總的來說，嵌入式機器學習是下一代節能設施管理應用的強大工具。

牛群監測

在過去幾年里，物聯網系統和嵌入式設備已經滲透到農業領域，并實現精準農業。一個突出的例子是，傳感器和無處不在的連網設備，如信標、RFID標簽和專用嵌入式傳感器(例如胃傳感器)越來越多地植入在牲畜身上，以允許農民監測它們。為此，相關的物聯網應用傾向于將有關牛狀況的原始數據傳輸到云端以進行適當的分析。然而，在一些情況下，這種方法可能是低效的，甚至是不可行的，因為大部分牛群生活在數千公頃大小的戶外環境中。在這種設置中，網絡連接(例如，短程物聯網網絡)可能不足以支持數據聚合過程中所需的服務質量。此外，此類裝置通常需要電池供電，這會產生能源自主性問題。

嵌入式機器學習和TinyML在緩解這些限制方面提供了實質性的幫助。數據分析發生在牲畜身上，這大大減少了需要傳輸到應用程序后端的數據量。與持續源源不斷收集數據不同的是，在嵌入式設備上部署機器學習可以定期（例如每小時）傳輸數據。這可以向農民提供有關牲畜狀況及其活動的見解（例如，休息、痛苦或吼叫）。這些見解使農民能夠對擠奶和屠宰等生產流程做出明智的決定。總的來說，嵌入式機器學習有助于農民在傳統云處理不可能或無效的情況下利用精準牲畜監測系統的優勢。

危機管理

機器學習和計算智能技術也用于危機管理和民防應用，包括地震和野火預測。在這個方面，來自各種傳感器的數據通常在云中進行聚合和處理。然而，在危機管理中，時間是最寶貴的：危機管理行動的成功很大程度上取決于危機管理指標預測的及時性。例如，更早地識別地震預警信號可以導致更快、更有效的行動。在這個領域，嵌入式機器學習具有重要價值。

在野火管理方面，嵌入式機器學習可以提供可靠性和部署優勢，類似于牛群監測情況。特別是，在嵌入式傳感器內執行統計模型可以促進及時預測野火，而無需強大的網絡連接和電池供電的設備。

總結

嵌入式機器學習應用廣泛，其應用范圍不僅限于上述五種，例如，在精準農業中，它可以直接在作物上檢測作物病害，而不需要在云端對各種數據流進行聚合和分析。另一個例子是，它可以實現精確的冷藏智能應用，直接分析敏感產品（例如食品、飲料和藥品）的溫度，而不必使用環境溫度來估計溫度異常。總的來說，嵌入式機器學習在許多不同的領域釋放了幾乎無限的創新機會。

然而，在工業環境中開發和部署嵌入式機器學習應用并非易事。必須精心規劃每個實施步驟，以滿足嚴格的工業要求。從選擇合適的嵌入式設備到獲取足夠的訓練數據，以及實施合適的機器學習模型，開發人員和部署人員必須做出謹慎的選擇。