賽靈思 PYNQ 框架能在 Zynq 產(chǎn)品系列中實現(xiàn)對 Python 語言及運行時的全面支持與集成。直接在 Zynq SoC 架構上利用 Python 的生產(chǎn)力優(yōu)勢，用戶能夠充分發(fā)揮可編程邏輯和微處理器的長處，更容易為人工智能、機器學習和信息技術應用構建設計。

摘 要

從工程設計、科研、數(shù)據(jù)科學、機器學習、信息技術到人工智能，Python 開源編程語言已經(jīng)成為各類應用中的不成文標準。

當在嵌入式應用中使用現(xiàn)代片上系統(tǒng) (SoC) 時，就能夠運行 Python 執(zhí)行復雜的分析算法，其性能接近臺式機工作站，但外形尺寸顯著縮小，功耗要求也顯著降低。通過預處理從傳感器讀取的數(shù)據(jù)，賽靈思 Zynq 產(chǎn)品系列大幅度提高性能和確定性，同時降低時延。

這種被稱為 PYNQ 框架方案，能從應用處理器有效卸載不必要占用處理器帶寬的大量重要但重復的操作。這種卸載功能對于滿足工業(yè)物聯(lián)網(wǎng)中邊緣應用提高的智能需求有重要意義。

嵌入式計算的新范例

在IIoT中搜索機器學習

工業(yè)物聯(lián)網(wǎng)解決方案越來越多地在邊緣納入嵌入式智能。對于眾多應用而言，這意味著機器學習推斷的實現(xiàn)。實現(xiàn)后，ML 算法會利用其經(jīng)驗，根據(jù)一套輸入數(shù)據(jù)得出結論。在 ML 中，經(jīng)驗可通過名為培訓的學習過程來獲得。ML 應用的培訓可使用下列兩種方法之一執(zhí)行：(1) 人工監(jiān)督或 (2) 實現(xiàn)判斷功能。兩種方法都需要將由正反例構成的大數(shù)據(jù)集應用于 ML 網(wǎng)絡。在 ML 算法得到充分培訓后，就能將其部署在工業(yè)物聯(lián)網(wǎng)邊緣，根據(jù)新輸入和未知輸入進行推斷。

PYNQ 框架

賽靈思 Zynq-7000 SoC 包含用來為現(xiàn)代 SoC 提供不成文標準特性的雙核 Arm Cortex-A9 處理器系統(tǒng) (PS) 和可編程邏輯 (PL)，同時它還提供獨特的高度差異化靈活性，支持將關鍵任務卸載到PL 。Zynq UltraScale+ MPSoC 和 Zynq UltraScale+ RFSoC 使用四核 Arm Cortex-A53 PS、PL 和其他特定部件型號的處理塊進一步擴展這一模型。

圖2 -與典型 SoC 相比 Zynq 產(chǎn)品系列的優(yōu)勢

圖3 -PYNQ 框架中不斷提高的抽象水平

傳感器和測量系統(tǒng)

傳感器是任何工業(yè)系統(tǒng)，尤其是工業(yè)物聯(lián)網(wǎng)解決方案的關鍵組成部分。從簡單的溫度測量熱電偶，到結合多個異構傳感器的用來測量特定物理量的復雜傳感器融合，工業(yè)物聯(lián)網(wǎng)解決方案采用多種不同的傳感器模態(tài)。在工業(yè)物聯(lián)網(wǎng)解決方案中實現(xiàn) ML，有助于開發(fā)人員讓給定傳感器發(fā)揮出最佳性能，同時提高下列操作的效率。

傳感器診斷

因為老化原因，傳感器性能在整個工作壽命期間會發(fā)生變化。傳感器在惡劣環(huán)境中使用時尤其如此，此時老化會影響可靠性，并帶來偏離和偏差問題。此外，如果將傳感器用于安全應用，傳感器診斷功能同樣極為有用；在此情況下，正確的診斷流程也是安全系統(tǒng)的組成部分。（更多詳情，敬請點擊“閱讀原文”，下載白皮書）

預測性維護案例

用于診斷與安全的滾珠軸承故障檢測

封裝材料行業(yè)已經(jīng)認識到“全面生產(chǎn)維護”作為提高設備可靠性的積極方法體系的重要意義。逐漸發(fā)生的軸承失效是行業(yè)故障最主要的原因之一。因此，盡早地檢測這些故障對確?？煽扛咝У倪\營而言至關重要。單個包裝機往往就裝有 8 部以上的電動機和眾多主軸，存在可能導致生產(chǎn)線停運的多個故

圖4 -故障檢測與電動機控制

審核編輯：黃飛