工业制造的型态，一直在随着时代和技术的发展而演变。如果说近十来年最重要的转折点，大概就是2011年德国提出的工业4.0计划了——这个计划的目标很明确：把工业生产从自动化，推向真正的智慧化。围绕着这个大方向，物联网、云端、大数据、人工智能、机器人这些核心技术都跑上了快车道。
在这其中，人工智能的进展尤其迅猛。根据不同的应用场景，训练方法和算法不断翻新。最常见的讨论无非就是机器学习和深度学习。而机器学习又能再分出几个方向：监督式学习、非监督式学习和强化式学习。本文要用到的是监督式学习，简单说就是通过标注数据的特征来训练模型，最后实现分类或预测。
图1 展示的是监督式学习的一个大致分类情况。
图1 监督式学习简易分类
为了踩准国际趋势和产业实际的节拍，这篇文章把目光投向了模具产业——这个被称为"工业之母"的领域。我们用射出成型机台做示范，借助传感器采集生产时的音频数据，再通过监督式学习方法进行标注和训练，最终做出一个能自动识别机台生产状态的AI模型。不仅如此，生产机台、传感器、手机和电脑还能通过物联网连成一张网，实现信息的实时接收。接下来，我们就把整体实验流程和软硬件配置拆开来讲一讲。
硬设备
表1 硬设备清单
这次用的传感器是QuickLogic的Merced HDK（也就是硬件开发套件）。这块开发板很合适当下的低功耗机器学习物联网设备，因为它自带16KHz采样率的数字麦克风、电子罗盘，还有六轴陀螺仪（三轴陀螺仪加三轴翻跟斗）。
数字麦克风具体用的是Knowles的SPH0641LM4H——体积小、性能强、功耗低。它的SNR是64.3 dB，声压级94 dB，灵敏度-26 dB。刻录模型时用的传输线是Sabrent的Type-A转Micro USB-B线。至于手机端，因为TestApp版本对系统有要求，所以得用Android的ASUS ZenFone 5才行。
软件与驱动程序
表2 软件与驱动程序列表
整个实验要靠SensiML的三款软件来完成。首先是Data Capture Lab，它负责收集和导入数据、做原始数据处理，还能标注数据特征。这个软件也可以导入CSV和WA V格式的文件来处理数据，全部数据能实时上传到云端。然后是Analytics Studio——用各种算法和自选参数来推理模型，效率很高，能快速产出适合边缘计算的模型。最后是装在手机上的TestApp，它连接传感器，用来验证和实时识别机台的运行状态。
步骤1. 传感器安装
硬软件都备齐了、驱动也装好了，就可以正式开始实验。先把传感器装到合适的位置上——这一步得注意环境温度不能超过传感器的工作范围，也不能妨碍机台的正常生产动作。反复考虑之后，最终把传感器装到了射座上，如图2所示。
图2 传感器安装位置
步骤2. 传感器初始状态设置
在Data Capture Lab里建个项目，切换到Capture模式来设定传感器的初始配置。点Sensor Configuration后面的加号进行设置，把装置定为Merced HDK (QuickAI)，用数字麦克风，采样率设为16 kHz。具体的配置可以看图3。
图3 传感器参数配置
然后点Find Devices，通过低功耗蓝牙扫描周围的传感器，选中目标后点Connect连上就行，图4就是连接的过程。
图4 传感器连接
连好传感器之后，开始设定要训练的标签。点Add Labels来新增状态标签，见图5。这次打算识别射出成型机的基础动作：关模、射出、顶出，所以分别设了这三个Label。
图5 新增状态标签
Labels设好之后，就能开始录机台生产的音频了。录之前先选好Label，再点Begin Recording。录完的文件可以在Project Explorer里查看，文件命名就是当时选的Label。
步骤3. 生产周期音频录制
关模、射出、顶出这三个标签设定好之后，就可以录音了。这次收集了好几组完整生产周期的音频。录制中会产生.qlsm和.wa v文件，导入Data Capture Lab后会以音频波形图呈现，见图6。也可以用指令转成MFCC来做比对。
注：MFCC全称是梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients）。
图6 生产周期音频波型图
把音频和实际录像交叉比对一下就能看出来：(A)是关模，(B)是射出，(C)是顶出。把波段放大看，区别就非常明显了，如图7所示。
图7 波段放大图
步骤4. 标注作业
录音完成后就该标注了。在Label Explorer模式下，框选想截取的数据片段，右键标出对应的频谱特征段落，然后在右边的红框里设定这个特征代表的标签。标注界面如图8所示。
图8 特征标注
步骤5. 模型训练
在Data Capture Lab里标注好需要的片段后，保存并上传到云端。然后打开Analytics Studio开始训练模型。先在Notebook里新建一个Python 3项目，见图9；再输入代码来调出训练UI，见图10。
图9 Analytics Studio新增专案
图10 开启模型训练UI
接着在Project里选之前在Data Capture Lab建好的项目，新增一个Pipeline名字点Add，见图11。再到Data Exploration的Create New Query里填个名称、选好Device，再点Add，见图12。
图11 Pipeline建置
图12 Query建置
到这个阶段，训练用的数据都准备好了。确认右边的标签名称和数据数量没问题后点Sa ve，为下一步的模型训练做准备，见图13。
图13 Data Preparing
更新之后就能开始建模型了。不过有个参数必须特别注意——Window Size，在图14中红框标出来了。可以把它理解成信号切割的区间。参数设多大，要看音频特征是离散的还是一直的。这个参数直接影响模型的准确率。经过反复试验，最后用8000这个单位，得到了差不多97%（具体96.88%）的准确率，见图15。另外，这个软件的强大之处在于，训练阶段会一次性用内置的各种算法跑出五组最优模型，这样可以根据实际需求挑选最合适的。
图14 训练参数设定
图15 5组模型产出
还能通过混淆矩阵进一步了解模型的各项指标——比如分类器大小、召回率、F1-Score这些。这次选了编号0的模型作为最优解。同时也看了它的向量图和密度图（图18、图19），发现这个模型用的是K-NN分类，具体见图17。
图16 混淆矩阵
图17 模型算法构成
图18 密度图
图19 向量图
步骤6. 模型产出与刻录
选好最合适的AI模型之后，为了能让它在传感器上跑起来，得先打包和下载它的Knowledge Pack，如图20所示。
图20 Knowledge Pack生成
然后把传感器用传输线连上电脑，把Knowledge Pack里的.bin文件烧进S3 AI芯片里。连接和刻录的过程见图21和图22。
图21 传感器连接计算机
图22 开始刻录模型
刻录完成之后，可以去logs文件夹看看记录。如果出现"Success"，就说明刻录成功了。Log内容如图23所示。
图23 Log檔
步骤7. 模型验证
模型烧进传感器后，就可以用手机来验证它是不是能正常工作了，同时还能收到实时的生产状态信息。先打开Test APP，用蓝牙连上目标传感器，进去Setup events，把Knowledge Pack里model.json的标签信息填到对应的字段里，见图24。标签状态都设置完之后，如果传感器正常运行并且成功识别了机台状态，Last event detected那里就会实时更新，如图25所示。
图24 状态标签设定
图25 传感器状态辨识显示面板
小结
人工智能发展到现在，很多软硬件操作已经越来越人性化、越来越方便了。这种变化的好处在于，使用者可以把更多精力放在机器学习的应用上，而不是底层的技术细节。这次实验只用到了QuickLogic Merced HDK的数字麦克风来收集数据，实际上这块开发板还有很多其他感测组件，可以用来采集更多元的数据。另外，QuickLogic最近也推出了更开源的硬件评估板QuickFeather，成本更低，设计也更灵活。
所以希望这篇文章能给各位一些参考，让大家在机器学习这条路上，能借助不同的感测组件，玩出更多巧思来。