本系列的前兩篇文章介紹了分析驅動的嵌入式系統，并描述了這些系統的數據訪問、數據預處理和預測算法類型（第 1 部分可在此處找到，第 2 部分可在此處找到）。在最后一篇文章中，讓我們看看如何實現分析并將它們集成到生產和嵌入式系統中。

實時運行分析和控制

圖 1 顯示了訪問和預處理數據以及選擇算法的工作流程。在訓練工作流程中，您使用存儲的數據來開發預處理代碼和機器學習來開發經過訓練的模型。在預測工作流程中，相同的預處理代碼和經過訓練的模型應用于實時數據以執行實時分析。

【圖1 | 用于實時分析的訓練路徑和預測路徑的機器學習工作流程概述。］

此工作流可用于將工程、科學和現場數據與業務和交易數據相結合（請參見圖 2，了解每種類型的數據源示例）。這允許創建復雜的分析來開發更智能的系統。將傳感器生成的數據與其他實時源和他的傳統數據是物聯網 （IoT）、工業 4.0 的機器對機器 （M2M） 協調以及聯網和自動駕駛汽車趨勢背后的力量。

【圖2 | 通過將傳感器數據與來自工程、科學和現場數據以及業務和交易數據的數據源相結合，實時分析可用于復雜系統。］

在 IT 系統和云中集成分析

在某些系統實現中，例如由BuildingIQ開發的系統，在企業 IT 系統中執行分析以提高嵌入式系統性能。分析可以作為與 IT 開發環境（如 Java、Microsoft .NET、Excel 和 C/C++）兼容的可部署組件自動生成，從而無需重新編碼即可將它們集成到正在運行的 Web、數據庫、桌面和可擴展的企業應用程序中在本地或私有或公共云中。

【圖3 | 分析可以集成到業務系統（上）、智能連接系統（左）或兩者的組合中。］

將分析與傳感器和嵌入式設備集成

圖 3 還顯示了可以集成數據縮減、傳感器融合或預測分析以直接在智能連接系統中的嵌入式系統上運行的路徑。斯堪尼亞緊急制動系統（在本系列的第 1 部分中描述）就是一個很好的例子。

物聯網向更智能和更多連接的傳感器的加速趨勢增加了將更多處理和分析移動到盡可能靠近傳感器的壓力。這樣做的好處是減少了通過網絡傳輸的數據量，從而降低了傳輸成本并可以降低無線設備的功耗。對于嵌入式系統設計人員來說，不僅要考慮算法性能，還要考慮整個系統的穩健性、可靠性以及架構和設計的成本。為此，可以使用基于模型的設計方法來模擬系統，自動生成嵌入式代碼，并持續測試和驗證集成到嵌入式系統中的分析。

這方面的一個例子是使用大數據和分析使我們的汽車更智能的創新。汽車 OEM 正在從現實世界的駕駛情況（想想數百萬英里的駕駛）中收集大量數據，記錄發動機性能、視頻、雷達和其他信號等數據。這些數據用于生成重要的指標，例如車隊級別的燃油經濟性和性能。工程團隊也在使用這些真實數據來設計、開發和測試新型汽車系統，例如高級駕駛輔助系統 （ADAS）。通過結合數據分析和基于模型的設計工作流程，ADAS 工程師能夠使用帶有真實標簽的大型測試集改進算法，執行嚴格的模擬和驗證，

分析驅動的嵌入式系統就在這里。創建處理大量業務和工程數據的分析能力使許多行業的設計工程師能夠開發更智能的產品和服務。他們可以使用分析來描述和預測系統的行為，并進一步將分析與嵌入式控制系統相結合，以自動化行動和決策。

審核編輯：郭婷