状态监测和预测维护系统会在设备中设置多个智能传感器节点，这些节点会直接连接到云端或是通过中间网关进行连接。 相关计算均会在智能传感器内部或是本地微处理器上执行（无论是在网关中还是在云端），具体取决于预期的延迟情况以及原始数据和处理数据通过连接发送的距离。 直接在智能传感器节点或网关中进行数据计算时，系统会进行边缘处理以节省功耗并确保数据保密，从而使公司可以在节点层面分析关键信息并减少异常检测时间。 将边缘计算和云计算技术相结合有助于开发预测性维护技术并提高其效率和有效性。 实际上，处理传感器附近的边缘数据能够帮助公司从节点层面检测到机器的损坏并立即采取相应的纠正措施，从而防止发生进一步的损坏和机器故障。可以在云端对长期分析以及确定趋势和优化本地分析模型的操作进行管理，从而对来自多个节点的大量预处理数据进行更复杂的分析。 阅读更多
Interactive Block Diagram
Click on the diagram to choose the products you need, to start your design.
Edge processing
Sub-system:
打开完整的选择器This content is not supported on Internet Explorer 11. Please use a more recent browser.
边缘处理的优势
- 机密性：系统不会将数据发送到云端，而是将其存储在本地设备上
- 降低成本：显著优化了大量时间序列资产数据的延迟情况和吞吐量。减少在云端发送和存储的无用机器数据量会带来显著效益，因为这样可以支持实时分布式应用并消除对复杂系统的需求
- 更低的延迟：最大限度减少设备维修延误对于关键任务资产有着至关重要的意义。
STM32 MCU和MPU的AI生态系统
为了便于在MCU和MPU边缘设备上实现预测性维护算法，我们在STM32工具中增加了STM32Cube。AI生态系统，可通过自动转换预训练的神经网络来扩展STM32CubeMX软件功能。STM32Cube。AI支持多种深度学习框架并包含了优化库，可在嵌入式应用层面实现AI算法。
意法半导体还面向工业网关提供了完整的微处理器和经优化电源管理解决方案，用户可将其视为现场聚合处理的关键推动元素。用于边缘和云端处理的软件开发套件和云应用（入门套件），以及AI Studio工具，例如STM32Cube。AI软件和代码示例已包含在我们的功能包和解决方案中。
