边缘AI来袭：安富利助力工业设备“独立思考”

在传统工业中，我们习惯于将数据传回云端分析、处理，再返回指令给机器。这种做法虽然很安全，但延迟较高，就如同打电话给技术支持，往往需要等待一段时间才能得到答复。试想如果生产线停机了，你能忍得住这段“空白期”吗？

这一问题如何破？很简单，升级你的设备大脑——让它直接在现场做决定！这就是边缘计算的优势所在，它把计算任务从远程服务器“搬到了”设备旁边，实时处理数据，瞬间响应。

但仅仅这样还不够，如果我们让边缘计算变得更“聪明”一些呢？能否发挥大模型的潜力？提到大模型时，很多人可能会想到像ChatGPT这样的大型AI系统，它们需要数百万甚至数千万的数据样本，以及强大的算力和大量能源，这些因素往往让人望而却步。那么，对于中小型企业，或者那些需要特定产品监控的应用场景，怎么办？你难道真的要从每台机器采集上万条数据？

不用担心，安富利给你带来了“黑科技”！

安富利的欧洲半导体专业部门Avnet Silica，与Deep Vision Consulting合作开发了一种深度视觉检测（DVI）系统，实现了在边缘训练AI模型的梦想。与传统的AI训练方式不同，DVI系统能够利用生产线上的少量样本数据，在边缘进行训练和优化。这些训练仅限于被检查的特定产品，就像教一个孩子学会识别水果，给他看几种水果，他很快就能分辨出橙子和苹果的区别。这种方式不仅节省了数据采集的成本和时间，还能高效、准确地完成任务。

DVI系统基于NXP的 i.MX 8M Plus和i.MX 9应用处理器，其中内置了NXP的神经处理单元（NPU）。NPU是一种专门优化的硬件单元，能够高效地执行深度学习任务，支持AI训练和推理。

边缘AI最具潜力的应用之一就是预测性维护。传统的维护方式往往依赖于周期性检查，或者在设备故障后才进行修复，这种方式既浪费了人力物力，又可能导致不必要的停机。例如，在电机和风扇等关键设备上，边缘AI可以通过对振动频率、温度变化等信号的实时分析，预测设备的潜在故障并提前发出警报。这样，企业可以及时安排维修，避免了因设备故障导致的生产线停工和高昂的维修费用。

当然，对于持续在线预测性维护而言，视觉技术是至关重要的一环。DVI解决方案中所使用的图像传感器和镜头主要在可见光谱范围内工作，但该设计也支持使用红外、紫外线或X射线传感器。该系统会根据所检测样品的图像计算异常分数，表示缺陷的严重程度。用户可以根据定义的“好”与“坏”标准，或设定与故障发生之间的阈值，来调节系统的灵敏度。同时，图像可以被标注，以显示具体的缺陷位置和类型。

尽管边缘计算带来了诸多好处，但其中一个永恒且不可忽视的话题便是：低功耗。从工业生产到个人消费，低功耗技术已经成为边缘计算不可或缺的一部分。

为什么“低功耗”在边缘计算中如此重要？一方面，边缘设备往往部署在离用户或机器较近的地方，很多时候它们难以接入稳定的电力供应。另一方面，很多边缘设备是需要24小时全天候工作的，如智能监控、工业传感器等，过高的功耗会导致频繁充电或电池更换，从而增加运维成本。

如何实现边缘计算的低功耗？安富利的DVI系统解决方案基于NXP i.MX 8M Plus和i.MX 9应用处理器，这些处理器具有低功耗的特性，非常适合基于边缘的AI和机器学习应用。这种基于边缘计算的低功耗解决方案，不仅有效提高了AI模型的响应速度和处理能力，还为中小型企业提供了一个高效、可扩展的智能化工具。

边缘AI，正在重新定义工业生产的智能化时代。从边缘计算到少量样本训练，再到低功耗的NPU加持，我们已经逐步进入了一个设备能自我“思考”、自动调整的新时代，机器不再只是“机械”的工作。未来的工厂，将不再是简单的生产线，而是一个拥有超级智能大脑的生态系统。

这一切的创新和改变，都为未来的智能制造铺平了道路。想象一下，当每台机器都能“预知”自己的故障，主动进行修复或警报，生产线将不再是单调的流水作业，而是一个智能、高效、自动化的未来工厂。如今，越来越多的如安富利这样的企业正在推动这一变革，让我们离“智能制造”的未来更近一步。