19、边缘AI与区块链技术在工业与环保领域的应用与挑战

边缘AI与区块链技术在工业与环保领域的应用与挑战

1. 边缘AI在预测性维护中的应用与挑战

1.1 传感器与算法选择

如今，市场上传感器种类繁多，从低成本手持设备到智能传感器一应俱全。这使得在成本、兼容性和性能之间需要进行权衡。在预测性维护方面，有众多机器学习（ML）和深度学习（DL）算法被广泛应用。选择合适的算法对预测性维护框架的成功至关重要。选择算法时需要考虑的因素众多，主要包括：
- 传感器数据的性质
- 数据量
- 被监测设备的状况
- 特征工程过程
- 传感器数据的集成情况
- 算法的准确性

此外，算法的计算复杂度以及其运行所在边缘服务器的计算能力也是非常关键的因素。由于边缘设备功率较低，处理能力有限，像深度神经网络这类计算成本高的算法并不适合在边缘服务器上使用。

1.2 边缘服务器面临的瓶颈

边缘服务器需集成人工智能模块以及接口和通信模块的功能，因此需要在处理和计算能力之间取得平衡。

1.3 基于边缘AI的预测分析框架面临的挑战

尽管该框架适合在实时行业部署，无需大量基础设施投资，但仍存在一些挑战，这些挑战可能成为未来研究的潜在领域：
|挑战|详情|
| ---- | ---- |
|传感器验证|传感器安装在具有动态和可移动部件的工业环境中，其准确性需要经常验证。高效且非侵入性的传感器验证方案能使框架更加完善。|
|无线/有线网络|传感器数据通过传输网络（无线或有线连接）到达边缘服务器，网络的服务质量（QoS）参数对及时获取准确预测结果起着关键作用。|
|安全问题|需要