本博客由Octonion 公司 Head of intelligence，Alexander Eroma 撰写
在如今的工业IoT生态系统中，设备制造商们正面临巨大的挑战。其中最大的问题是他们的售后缺乏有关设备使用情况的信息。确实，对于设备制造商们来说得知机器是怎么被使用的，表现如何，何时出现“异常”等信息是十分重要的，得到这些信息的目的是给终端用户在设备维护方面提供合格的建议并且为满足客户需求提供更好的服务。
在这种情况下，将智能置于边缘机器中去，并将一台机器获得的知识共享到多台机器中。制造商这样处理大量设备，就是我们所说的“协作学习”。
Octonion协作学习的方法中提到：每个工业设备都是由一个Arm Cortex M 微控制器（我们定义为edge）驱动并连接到云端。
图 1: Octonion edge pipeline
一个egde 节点管理一个为协作学习提供输出的无监督AI模型。这个节点负责管理以下几点：
- 通过动态聚类识别非监督模式下的振动模式。
- 将每个新的模式的信息发送到云中从而更新共享的AI模型。我们区分了机器已经识别并已发送到云的“已知”模式。 机器首次识别的“新”模式尚未发送到云端。
- 接受并存储来自别的节点振动模式的信息
下图显示了Octonion edge端无监督学习的pipeline：
图 2: Octonion edge pipeline
下面简单介绍了在Arm Cortex M微控制器上完成的Octonion edge pipeline中的每一步：
- 信号过滤阶段用于去除低频震动和加速度计中的定量
- 信号特征提取可以识别振动模式并建立振动模式描述符。为了减少CPU负载并执行有效地评估，CMSISDSP库被用来做快速傅立叶变换评估。
- 平稳特征滤波器用于从分类和聚类中剔除代表非平稳信号的特征。这样可以确保最终的离群值不会在学习目标中被考虑。
- 模式分类器决定观察结果是“已知”还是 “新”的振动模式。 聚类流程是用于在无监督模式下基于过去的观察结果来构造振动模式描述符。如果当前观察窗口下的一组对象未被分类为已知的振动模式，我们则需要创建一种新的振动模式。
- 在这个步骤中我们处理相对稳定的观测，这意味着一个群集代表大多数对象，而其余群集只包含几个对象。这个聚类步骤的目的是从研究人群中筛选出异常值来确保构建模式描述符的样本仅包含典型样本。
- 规则处理器模块根据识别到的计算机状态触发用户自定义的操作。规则处理器中的规则定义了用户，例如：“如果检测到了新的模式就发送警报”。 在每次迭代时，规则引擎将数据分析流水线输出作为输入，并评估是需要触发这些规则。
- IoT连接模块用于将每个有关振动事件的信息发送到云端。
现在让我们考虑一下跨多节点共享知识的原理。
当任意设备识别出新的振动模式时，这个模式就会被发送到云端从而帮助模型共享。 云应用程序将构建模型，并根据以下假设将学习到的新模式传递给其他edge节点：
图 3: 模式分享
在现实世界中，尽管每台机器在机械上都是唯一的，即使在本地级别上振动模式不同，对于相同的机器操作模式或条件来说N台相似的机器在全球范围内仍可能具有N幅相似的振动模式。 这种方法是模型校正过程的基本原理。
图 4：模型修正程序
为管理本地不同设备集群的全局化，我们需要在模型修正中触发特定的过程。 这个过程包括对来自所有节点的所有已知模式运用附加的聚类，以便将不同节点上独立识别到的相似振动模式合并为一个共享模式。
最后一步是找出重叠或是共享模式很相似的组。一旦聚类完成后，被分配的聚类将替换振动模式。适当的模型校正补丁会被构建并发送到所有edge节点。
通过协作学习的过程可以为给定类型的机器构建知识数据库。 通过持续监控一台机器的输出并进行本地无监督学习便可以标记异常。然后，将这些标记的异常预分类为下一台类似的计算机。 通过这种协作式学习方法，一台机器的异常情况会变成另一台机器的已知错误状态，并且以前学习到的异常状态会在设备之间共享。
得益于机器级别的智能，工业制造商可以获得每台设备的信息。 借助顶部的协作学习，制造商可以将智能提升到一个新水平，使机器变得更加智能。
作者：Mary Bennion
翻译：Khorina
原文链接：https://community.arm.com/developer/ip-products/processors/b/ml-ip-blog/posts/unlocking-the-power-of-collaborative-learning-on-arm-mcus
