设备上发生了什么
01
安装
引擎在数据产生的现场运行，可用于机器、结构物、摄像头或其他厂商的设备，并从零开始学习。
02
学习
设备根据这一数据源自身的数据，在运行中逐步建立正常状态的基准。
03
发现变化
数据一旦偏离已学到的正常状态，设备就会向您的团队提示这一变化。
04
由您决定
检修或按计划调整工况前，由操作员暂停学习，避免设备将这些变化当作新的正常状态。神经调制层就是这道学习闸门：系统给出信号，由操作员决定何时暂停和恢复学习。
技术
让学习在端侧发生。
多数机器学习系统先在设备之外完成训练，再交付固定模型。RailMind 的设备内置两个部分：在运行中持续学习的引擎，以及控制学习时机的神经调制层。
各类数据流
- 机器
- 结构
- 摄像头
- 机器人与其他设备
神经调制层
学习的闸门。系统给出信号，由操作员决定何时暂停、何时恢复学习。
学习引擎
在设备上学习监测对象的正常状态
已学到的内容
保存在设备上。发现变化时，会向您的团队提示。
示意：同一台设备上的两个部分；左侧输入仅为举例。
受控可塑性
会学习的设备，需要知道什么时候该学。
引擎持续学习，逐步适应各个数据源的正常状态。但并非每次变化都应纳入学习。
示意动画。
神经调制层
神经调制层是学习的闸门，控制何时学习。系统给出信号，由操作员决定何时暂停和恢复学习，类似大脑中调节学习的神经调质。
- 模型越用越懂这台设备，而不会把故障当成新常态。
- 学习的暂停与恢复均由操作员明确决定，每次变更都有人负责。
- 顺应监管机构对可自我更新系统的导向。
同为神经形态系统，学习方式也各有不同。
| RailMind | 固定报警阈值 | 云端模型 | 常见边缘 AI预先训练 | |
|---|---|---|---|---|
| 学习每台设备自身的正常状态 | 是 | 否 | 部分 | 否 |
| 安装后继续学习 | 是 | 否 | 部分 | 否 |
| 数据无需离开现场 | 是 | 是 | 否 | 是 |
| 无需故障标注数据 | 是 | 是 | 部分 | 部分 |
| 由您的团队决定何时暂停学习 | 是 | 不适用 | 否 | 不适用 |
「部分」：云端模型通常集中训练、分批更新，而不是在设备上学习；部分边缘 AI 只用正常数据训练。
有何不同
在设备上学习
设备利用监测对象自身的数据，就地建立模型。
无需训练数据
不需要标注故障样本，也不需要先花时间采集数据。
持续学习，由您掌控
设备老化、负载变化时，它都会随之适应；何时暂停、何时恢复学习，由您的团队决定。
为小型硬件而生
从一开始就面向低功耗微控制器设计，而不是由数据中心模型压缩而来。
引擎运行在哪里
现在
嵌入式网关
在已有算力的现场运行，无需新增设备。
现在
微控制器
直接装在监测对象上的小型设备里。
下一步
芯片化
引擎作为元器件，进入其他厂商的传感器和设备。
如何接入现场
四个部分：装在监测对象上的传感器、学习其正常状态的节点、汇集现场数据的 Edge Hub，以及您现有的监控平台。
演示视频即将上线。
模型在哪里
就在设备上，直接部署在监测对象旁。您可以选择将监测数据发送至自己的系统，但学习过程本身不依赖网络连接。
谁来掌控
您的团队。学习何时暂停、何时恢复，由您决定。
ENGINE
洽谈引擎授权 正在开发自有硬件？
获取引擎授权，将学习能力集成到您自己的产品中。