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，呈現了微控制器、感測器、通訊、功率元件、雲端運算、邊緣運算、人工智慧（AI）和機器學習等技術的最新發展。工業物聯網（IIoT）則是受益於這些科技進步的市場之一。
物聯網節點分佈在工業生產環境中，用於監控機器的狀況。在這一技術發展趨勢中，預測性維護和規範性維護是兩個常見的關鍵字。預測性維護是指對設備、工具和機械進行以預測潛在故障並對應地安排技術維護操作為目的的監控。相對於預測性維護，規範性維護則更先進一步，不僅可以預測潛在故障，還能警示需要技術維護的位置。其採用常規或非常規方法檢測潛在故障的根本原因，例如，人工智慧或機器學習方法。這兩種維護方法都比常用的預測性維護方法更加先進，因為預測性維護是定期檢查機械設備，在不介入的狀況下仍執行維護操作，導致維護成本昂貴和資源浪費。
在這種情況下，許多公司正試圖瞭解如何透過整合並善用工業物聯網的優勢。意法半導體提供客戶快速評估感測器、微控制器、通訊元件、雲端運算和儀表板來進行數據可視化、分析和記錄等諸多資源。
在本文中，我們將介紹圖形介面設計應用軟體ST AlgoBuilder。該軟體可以快速產出STM32微控制器和MEMS感測器的應用原型，使用者可以設計感測器的相關應用，將程式碼寫入STM32微控制器，並透過與ST AlgoBuilder一起安裝的Unicleo軟體分析結果。
| 圖一 : 使用AlgoBuilder擷取動作和環境參數的簡易設計 |
|
簡而言之，AlgoBuilder提出一個零行程式碼快速開發有趣的方法，使客戶能夠在他們的特定任務中評估感測器。在點擊數次滑鼠後，使用者可以從ST Nucleo開發板和X-Nucleo-IKS01A2擴充板直觀地擷取並導出許多參數，例如，加速度、角速率、磁場、溫度、濕度、壓力、四元數、FFT、動作強度指數，能夠取用感測器數據並在特定任務中評估數據，而無需花費精力和時間編寫韌體程式碼，這對開發者極有價值。
最近，意法半導體決定擴充AlgoBuilder的功能，以更接近現代感測器連接雲端應用的需求和必要條件。該軟體增加了感測器和雲端服務的連接功能，因為雲端運算資源的作用比local hardware更強大。
具體來說，新版AlgoBuilder增加了Amazon Web Services連接器，而軟體原型正在開發中。感測器的原始參數或更複雜的派生參數可以與多個雲端服務整合在一起，用於監控工業物聯網等現代應用中不可預期的變化。
AlgoBuilder的雲端entry point是AWS IoT Core。一旦進入雲端，使用者就可以利用所有可用的微服務來建立可擴充的雲端應用，包括Amazon Kinesis音視訊流數據處理服務、Amazon SNS使用者推播服務、Amazon DynamoDB存儲資源、Amazon Lambda運算資源、IoT Analytics數據分析服務，以及AWS SageMaker 人工智慧和機器學習算法應用服務。
| 圖三 : AlgoBuilder、AWS IoT Core和AWS微服務 |
|
雲端應用研發經驗豐富的中型企業知道如何整合微服務之推出在全球擴充應用，同時管理數萬或數百萬的使用者或物聯網節點。簡而言之，開發者能夠從AlgoBuilder軟體中獲取並使用數據，透過結合數據傳播延遲和其他雲端服務限制因素，快速評估開發專案是否適合工業物聯網應用。
應用範例
我們將以其他應用範例介紹AlgoBuilder的潛在功能和用途。
例如，在雲端的遊戲應用將是AlgoBuilder數據整合技術的直接受益者。AlgoBuilder收集動作感測器的數據，例如，LSM6DSL MEMS 3D加速度計和3D陀螺儀或者LSM303AGR EMS 3D加速度計和MEMS3D磁力計，透過AWS IoT Core輕鬆地上傳到Web應用，啟動遊戲人物或使其做出相對應的動作（參見下例來自babilon.js 3D JavaScript遊戲開發框架的圖片），也可以根據HTS221電容式數位感測器來測量溫度與濕度，或者透過LPS22HB MEMS壓力感測器測到的壓力，改變遊戲場景環境。無需任何特殊的研發工作，遊戲開發者即可利用AlgoBuilder的數據整合功能開發新的動畫和迷人的場景。
AWS RoboMaker是亞馬遜所提供的另一項雲端服務，可以大規模開發、測試和部署智慧機器人應用。Robot Operating System（ROS）機器人作業系統是應用最廣泛的開源機器人軟體框架，RoboMaker在ROS中增加了機器人連接雲端的功能。AlgoBuilder的新功能將允許在這項服務中直接整合和擷取數據，甚至可以開發出結合ST MEMS感測器的新機器人和自動化應用。
感測器數據將融入一個新的應用領域，在AWS機器學習服務、監控服務和分析服務的整合下，使機器人擁有推送流式數據、導航、溝通、理解和學習的能力。
最後，透過擷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座標，AlgoBuilder還可用於測試GPS應用。此外，在產生的AlgoBuilder感測器數據內增加狀態訊息和其他密鑰，有助於簡化AlgoBuilder與AWS DynamoDB等服務在整合時的困難度。
本文末特別討論一個有相關儀表板的雲端和Web應用原型，提出將客戶的概念，例如，人工神經網路（Artificial Neural Network，ANN）、卷積神經網絡（Convolutional Neural Network，CNN）、聚類算法、協作演算法和人工智慧，配合虛擬實境用來解決簡單和複雜的問題，強化觸控體驗。
我們相信，向感興趣的客戶介紹如何挖掘感測器、雲端服務和機器學習之間融合的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資源整合、模組或參考設計，以便在數據擷取、數據流、數據豐富、數據分析，以及不同類型的應用方面探索感測器和雲端服務整合後的潛力，甚至尋找提升感測器精確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，並在極座標圖上顯示數據模式。單個或多個感測器有助於根據所選參數和參數測量值產生一個多感測器簽章。
例如，下圖所示是Symbios呈現的X、Y和Z軸AlgoBuilder FFT，具體來說，極座標圖描述每個頻率的FFT幅度。Symbios提供了來自監控馬達ST MEMS加速度計的數據組成數據集（例如，針對不同馬達速度的頻率簽章）、標記模式以及在學習模式中應用卷積神經網路功能。只需點擊數次滑鼠，即可以AlgoBuilder感測器數據模式構立監控型深度學習模型，在同一馬達或其他遠端連接的馬達上立即開始評估CNN分類器。此外，還可以產生格式與STCubeMX.AI兼容的CNN，以便在STM32 IoT節點上移植和運作。
| 圖六 : AlgoBuilder用於雲端機器學習的頻譜分析 |
|
下一張圖片描述了另一個Symbios應用場景，透過AWS檢索AlgoBuilder的環境和動作參數，並在極座標圖上形成簽章。在實際應用中透過行動電路板或更改環境參數，開發人員可以瞭解簽章或模式是如何變化的，因為極座標軸代表了AlgoBuilder擷取和發送的參數，使用者可以快速瞭解從雲端服務獲得的感測器數據對應用是否有益。
為了向開發人員提供靈活的數據整合功能，Symbios可將感測器數據發送到兩個不同的極座標圖。例如，下面左側極座標圖描述的是動作MEMS加速度計和陀螺儀參數，而右側極座標圖則是整合了HTS221動作MEMS感測器數據與和LPS22HB環境感測器的數據。後面的截圖則是描述其他類型的數據整合。
即使在這種情況下，使用者也可以利用所提供的工具箱產生適合的訓練集，還可以開啟人工神經網路訓練階段以及即時測試。一旦對性能感到滿意，開發人員就可以產生ANN網路，並用STCubeMX.AI工具將所產成的ANN移植到STM32微控制器。當然，在瞭解作業流程後，使用者將能複製該方法，進而加快產品開發週期。
| 圖七 : 運作中的AlgoBuilder 和Symbios -1 |
|
| 圖八 : 運作中的AlgoBuilder 和Symbios -2 |
|
其他的範例是在單個應用環境中使用AlgoBuilder融合音視訊流，用於開發支援圖論和虛擬實境的進階數據融合演算法（腦自動化），在意法半導體，這個應用仍處於研發階段。
在本文中，我們簡要介紹這個有趣的新方法如何僅用一個在本地STM32 IoT節點、邊緣或雲端或者Web應用中運作的單一分層互聯的ANN（稱為大腦）來解決複雜任務。下圖是一個由多個非同構人工神經網路所組成的協作網路範例，每個圖節點表示一個非同構人工神經網路。大腦正在等待新的AlgoBuilder輸入，收到後，輸入模式就會被立即傳送到所有網絡節點。單個ANN被啟動後，就會將輸出數據傳送到其他ANN。透過這種方式，專門執行特定任務的ANN可以一起解決那些需要複雜工具和設備同時從不同角度監控才能處理之更為複雜的任務。
| 圖九 : 大腦正在等待新的AlgoBuilder輸入 |
|
| 圖十 : AlgoBuilder輸入的感知刺激訊號將大腦啟動 |
|
結論
我們相信AlgoBuilder將讓設計者能夠使用零行程式碼開發雲端服務為導向的現代應用，透過點擊數次滑鼠就能完成應用可行性評估，以進一步縮短研發週期，並讓客戶更加滿意。Symbios代表了一個範例套件，用於呈現雲端運算時代下感測器與雲端整合的潛力。
（本文作者Simone Ferri、Enrico Alessi任職於意法半導體 ）
