在基于云計算的現代應用時代，AlgoBuilder將變得更智能

　　前言

　　現代應用是在物理資源與虛擬資源相互融合的基礎上發展起來的，體現了微控制器、傳感器、通信連接、功率器件、云計算、邊緣計算、人工智能(AI)和機器學習等技術的最新進展。工業物聯網(IIoT)是得益于這些科技進步的主要細分市場之一。物聯網節點分布在工業生產環境中，用于監測機器設備的健康狀態。在這一技術發展趨勢中，預見性維護和規范性維護是兩個常見的關鍵詞。預見性維護是指對設備、工具和機器等進行以預見潛在故障并安排相應維護操作為目的的監測。相對于預見性維護，規范性維護則更先進了一步，不僅可以預見潛在故障，還能提示需要技術維護的位置，從而采用如人工智能或機器學習等常規或非常規方法查明潛在故障的根本原因。這兩種維護方法都比常用的預防性維護方法更先進，因為預防性維護需要定期檢查機器設備，即使被檢查的機器不需要任何特殊干預干預或者維護操作，這將導致高昂的維護成本和資源的浪費。

　　在這種情況下，許多公司正嘗試了解如何在自己的環境中集成并利用工業物聯網的優勢。意法半導體可為客戶快速評估傳感器、微控制器、通信連接、云計算和儀表板在數據可視化、分析和記錄中的應用可行性提供諸多資源。

　　在本文中，我們將主要介紹圖形界面設計應用軟件ST AlgoBuilder。該軟件工具可以快速描述STM32微控制器和MEMS傳感器的應用原型，讓用戶設計基于傳感器的應用，把代碼寫入STM32微控制器，并通過與ST AlgoBuilder捆綁安裝的Unicleo軟件分析結果。

使用AlgoBuilder提取運動和環境參數的簡易設計

AlgoBuilder 工作流程

　　簡而言之，AlgoBuilder提出一個零行代碼快速開發原型的方法，使客戶能夠在他們的特定任務中評估我們的傳感器。在點幾下鼠標后，用戶可從ST Nucleo開發板和X-Nucleo-IKS01A2擴展板直觀地提取并導出許多參數，例如，加速度、角速率、磁場、溫度、濕度、壓力、四元數、FFT、運動強度指數，還能取用傳感器數據并在特定任務中進行評估，無需花費精力和時間編寫固件代碼，這對開發者而言極其重要。

　　最近，ST的MEMS傳感器部門(MSD)決定擴展AlgoBuilder的功能，以便更接近當前的傳感器連接云端應用的需求和必要條件。該軟件增加了傳感器和云服務的連接功能，因為云計算資源的作用比本地硬件更強大。具體來說，新版AlgoBuilder增加了Amazon Web Services連接器，軟件原型正在開發中。傳感器的原始參數或更復雜的派生參數可以與多個云服務集成，用于監測工業物聯網等現代應用中不可預見的變化。

　　AlgoBuilder的云端入口是AWS IoT Core。一旦進入云端，用戶就可以利用所有可用的微服務來構建可擴展的基于云計算的應用，包括Amazon Kinesis音視頻流數據處理服務、Amazon SNS用戶通知推送服務、Amazon DynamoDB存儲資源、Amazon Lambda計算資源、IoT Analytics數據分析服務，以及AWS SageMaker 人工智能和機器學習算法應用服務。

AlgoBuilder、AWS IoT Core和AWS微服務

　　云應用開發經驗豐富的中型企業客戶知道如何通過整合微服務發布在全球范圍內可伸縮的應用，同時管理數萬或數百萬的用戶或物聯網節點。簡而言之，開發者能夠從AlgoBuilder軟件中提取并利用數據，結合數據傳播延遲和其它云服務限制因素，快速評估開發項目是否適合工業物聯網應用。