为了更好地服务于目标客户， 嵌入式设计团队也在研究新技术， 如机器学习和深度学习。 深度学习允许这些设计师以有限的资源更快地开发和部署复杂的系统和设备。 通过这些技术， 设计团队可以使用数据驱动的方法建立系统或复杂的系统模型。
机器学习和深度学习不是用基于物理的模型来描述系统的行为， 而是从数据推导出系统的模型。当需要处理的数据量相对较小， 而且问题的复杂性较低时， 传统的机器学习算法是有用的。但是， 如果有更多的数据， 比如无人机， 那么更大的问题又如何呢？ 这个挑战需要深度学习技术。 这种技术将把我们推向下一个控制设计和物联网应用的时代。
机器学习在工业资产中的应用
首先， 考虑机器学习技术在工业资产状态监测中的应用。机器学习将基于条件的监测应用从被动和预防性维护的时代过渡到预测性维护。 这些技术用来检测异常行为， 诊断问题， 并在某种程度上预测了工业资产的剩余使用寿命， 比如马达， 水泵和涡轮机等等。
基于机器学习开发和部署模型的工作流程如图1所示：
图1 分析工作流程与机器学习
看看这个流程是如何用来监测马达健康状况的。数据来自于多种类型的传感器， 如加速度计， 热电偶和电动机上的电流传感器等。 特征工程通常由两部分组成： 特征提取和特征提炼（图2）。
图2 特征工程
特征提取是用来从原始数据（或波形）中获取有用信息， 以了解资产的健康状况。例如， 从电动机发出的电流信号的频谱包含了可用于检测故障的信息， 如图3所示。 频谱中不同频段的平均振幅可以作为从当前信号中提取的特征。 从多个传感器中提取的特征可能有冗余信息。
图3 从电机电流信号中提取特征
一种特征提炼的方法是主成分分析（PCA） ， 可以用来减少最终用于构建模型的特性数量。、特征数量的缩减可以减少所使用机器学习模型的复杂性。缩减的特征集被表示为向量（或数组） ， 并输入到模型使用的机器学习算法中。
机器学习的类型
模型创建和验证是一个迭代过程， 通过这个过程， 可以实验几种机器学习算法， 并选择最适合目标应用的算法。一种非监督的机器学习算法， 如高斯混合模型（GMM） ， 可以用来模拟电机的正常行为， 并检测电机何时开始偏离其基线。 非监督的方法有利于发现数据中隐藏的模式， 而无需对数据进行标记。
虽然非监督学习可以用来检测马达中的异常， 而监督学习则需要检测异常的原因。 在监督学习中， 提出了一对输入数据和所需输出的算法。这些数据被称为标记数据。该算法是将输入映射到输出的函数。用于训练机器学习算法的数据包括在正常和错误条件下提取的特征。 这些特特征是用一组标签来清楚地标识出马达的状态。 支持向量机、 Logit模型和人工神经网络是常用的监督式机器学习算法。
对传统机器学习技术的挑战是特征提取过程。 这是一个脆弱的过程， 需要领域专家的知识， 通常是机器学习工作流程中的胜负关键。
