作为制造业执行，植物地板经理或运营工程师，您的首次思考时听到了片上系统（SOC），就是认为这是一种技术，纯粹对设备开发人员感兴趣。从历史上看，你需要了解这种类型的嵌入式技术将非常有限。但正如自动化技术的其他一切都是根据事物互联网（IIOT）的其他一切都在改变，因此您也需要更好地了解嵌入式芯片级技术的某些方面。
在德国纽伦堡举行的2018嵌入式世界大会上，Xilinx的工业、科学和医疗总监Christoph Fritsch告诉我，他认为嵌入式技术在自动化领域的未来发展非常迅速。他说:“对于设备制造商来说，这些变化使他们能够利用该技术更有效地制造设备，但它也为系统集成商和终端用户打开了嵌入式沙箱，以驱动应用程序。”
在解释这一最近的变化时，弗里奇表示，过去，Xilinx只与控制设备制造商合作，如罗克韦尔自动化、西门子、施耐德电气等。但自从自动化供应商工业物联网平台的出现，如西门子的Mindsphere或GE的Predix，“我们正在项目管理与oem和终端用户的系统开发，以帮助他们从边缘连接到云，”他说。
为了应对这些发展，Fritsch指出，Xilinx一直在使用系统集成商的深度，约两年来展示如何应用SoC技术。他在我们的会议中提到的一个例子是Xilinx在西班牙埃尔戈巴马尔的数控机床建筑物Etxe-焦油的项目集成商Aingura Iiot工作。Xilinx和Aingura Iiot之间这种合作伙伴关系的目的是支持Etxe-Tar的计划在其CNC机器上实施机器学习，以实现预测性维护。
Etxe-Tar向汽车行业销售用于制造动力总成部件的数控机床，该项目已在工业互联网联盟的白皮书《用机器学习让工厂更智能》中详细介绍。在Etxe-Tar主要服务的汽车行业，数控机床主轴的操作故障可能会导致数十万美元的损失。当主轴内部轴承失效时，它们有效地产生连锁反应，可以破坏任何紧密相连的设备。根据故障的严重程度和备件的可用性，此类事故可能会导致生产线停工数周。考虑到所有相关方面，包括闲置的劳动力，这种故障的总成本影响很容易达到每周数百万美元。
预测维护系统Aningura Iiot建立在利用机器学习和地址中数控失败问题被称为oberon。Oberon系统从连接的机器中收集数据，以提供有关机器行为的信息。
Oberon系统的一个关键组件是其智能网关，由片上系统的工程设计和制造。网关使用Xilinx Zynq SoC，将ARM处理和可编程逻辑面料组合在可重新配置的SOC设备中，以执行实时采集，传感器融合（来自多个传感器的数据的聚合），数据过滤和分析以及模式检测。
就奥伯伦的数据采集使用SoC技术而言，其主要目标是收集来自传感器的数据。但是，它还预先处理数据以减少正在传输的整体卷。例如，振动至少是振动频率的至少两倍。在该预测维护应用中，执行快速傅里叶变换，并且仅存储感兴趣的频率。
对于机器学习有效，识别相关数据变量至关重要，以便降低噪声和带宽使用。该技术称为“特征子集选择”。
如何应用于CNC机器中的一个示例涉及机器的伺服电机，其中可以测量扭矩，功率，温度，振动和角度速度的变量。伺服电动机中的可跟踪变量的数量可以高达15,000。但是，使用特征子集选择，还原可能导致识别只能从50个变量跟踪和存储数据的需要。
为了说明这是如何工作的，“用机器学习让工厂更智能”的论文展示了如何使用数据简化的工作流(图1)来构建数控机器学习系统。在本例中，从制造系统获取数据，并将其发送给机器学习算法，该算法使用新数据和其他信息(如数学模型)来生成预测系统。当数据在这个过程中移动时，会执行一个摘要，帮助只移动需要的数据。这有助于降低带宽利用率，提高响应速度。
基于典型操作期间获取的历史数据，机器学习算法使用此和其他实时操作数据在加工过程中识别和学习系统行为模式。在智能网关上实时分析数据，并与典型操作数据相比，以识别异常操作并将降级降低到组件电平 - 在任何系统故障之前。
在CNC应用中，基于机器的学习的监控系统可以检测到失败的第一迹象，提供足够的时间以受控方式停止线路。然后，生产和劳动力团队可以重新分配，以降低失败的线路生产力的影响。
作为一个例子，本文突出了与轴的加速度水平如何绘制伺服电源功率（图2）。这里，聚类技术区分空闲，加速度和减速和在加速度水平方面的最大功率之间。加速度水平独立于功耗（功率电平可以比图3所示的数据更清晰地分辨。
基于预测维护应用程序的数据分析，预计伺服电机应在所有功耗水平上保持指纹加速度水平。由于加速度与轴角速度有关，当集群外出现异常时，会检测到伺服电机故障;例如，在给定加速度状态下的异常振动水平。
