ЖУРНАЛ СТА №2/2022

генерируют довольно «лёгкую» инфор- мацию. К примеру, датчики и устрой- ства на нефтеперерабатывающем заво- де генерируют более 1 ТБ необработан- ных, так называемых «сырых» данных в день. Отправка всех этих данных для хранения и обработки в облако или ЦОД потребует существенных ресурсов в виде полосы пропускания интернет- канала, трафика и т.д. При этом зача- стую большие затраты могут появиться и за счёт использования дополнитель- ной энергии для подобной отправки. В случае сильно распределённой систе- мы, которая при этом ещё и сильно удалена от основного ЦОДа или обла- ка, подобная постоянная отправка та- кого объёма данных нерентабельна. Даже если компания обладает всей не- обходимой инфраструктурой, то всё равно будут дополнительные суще- ственные задержки при передаче и об- работке информации. Критически важ- ные промышленные приложения должны иметь возможность анализиро- вать необработанные данные как мож- но быстрее. Любая же неисправность на линии связи может привести к кри- тическим последствиям вплоть до оста- новки производства. Для того чтобы сократить расходы на передачу и хранение данных, умень- шить задержку, а также снизить нагруз- ку на сеть, приложения IIoT пере- мещают возможности AI и ML на «гра- ницу» сети, чтобы обеспечить более мощные возможности предварительной обработки «сырых» данных непосред- ственно в полевых условиях. Такое перемещение позволяет в том числе и принимать решения с помощью об- ученных моделей AI сразу на производ- стве с отправкой только информации о таком решении в ЦОД или основной сервер. Ожидается, что к 2025 году объём данных, создаваемых и обрабатываемых на периферии предприятий, увеличится с 10% до 75%, а весь рынок промыш- ленных устройств для ИИ значительно вырастет [4]. Для эффективного запуска моделей и алгоритмов искусственного интеллекта промышленным приложениям AIoT требуется надёжная аппаратная плат- форма на периферии. Чтобы выбрать подходящую аппарат- ную платформу для приложения AIoT, необходимо учитывать ряд факторов: 1) требования ИИ к производительно- сти аппаратной части; 2) уровень граничных вычислений; 3) поддерживаемые инструменты раз- работки; 4) условия эксплуатации устройства. Далее мы более подробно рассмотрим каждый из этих факторов. Т РЕБОВАНИЯ ИИ К ПРОИЗВОДИТЕЛЬНОСТИ АППАРАТНОЙ ЧАСТИ Существует три фазы создания при- ложений AIoT: сбор данных, обучение и вывод (обработка данных с последую- щими логическими выводами). Поскольку для этих трёх этапов соз- дания приложений для периферийных вычислений ИИ используются разные алгоритмы для выполнения разных задач, то каждый этап имеет свой собст- венный набор требований к производи- тельности аппаратной части. Сбор данных Цель этого этапа – собрать большой объём информации для обучения моде- ли ИИ. Сами по себе необработанные «сырые» данные бесполезны, посколь- ОБ ЗОРЫ СТА 2/2022 39 www.cta.ru Надёжная система сбора и передачи данных Низкая стоимость канала Высокая точность измерения – погрешность ±0,035% Съёмная карта формата MicroSD для хранения данных Широкий диапазон напряжения питания 7–34 В пост. тока Компактность – 24 модуля ввода/вывода или 384 канала в стандартном 19 ″ корпусе MAQ20 П рограммное обеспечение от DATAFORTH • ReDAQ – индивидуальное конфигурирование каждого канала, отображение параметров в виде графических форм • IPEmotion – SCADA-система для отображения, управления и записи параметров Нормирующие преобразователи Коммуникационные устройства Системы распределённого ввода/вывода –40...+85°C ОФИЦИАЛЬНЫЙ ДИСТРИБЬЮТОР