EO_500

DIGITAL PREDICTIVE MAINTENANCE ELETTRONICA OGGI 500 - MARZO 2022 48 Fig. 4 – Architettura Lambda incorporati devono possedere le seguenti caratteristiche per fornire il livello adeguato di qualità del servizio: • acquisizione ed elaborazione intensiva di I/O eterogenei; • capacità di eseguire l’elaborazione dei segnali digitali, di filtrare, di estrarre componenti spettrali e di ridurre i dati ridondanti; • capacità di eseguire macchine virtuali e container; • capacità di eseguire l’apprendimento automatico e l’inferenza dell’apprendimento profondo in tempo reale; • capacitàdi supportare la retecondati operativi e tecnologie dell’informazione. È possibile trovare alcune delle funzionalità qui sopra elencate nei System on Chip (SoC), nelle CPU o nelle GPU, ma alcune non sono dotate di prestazioni I/O sufficienti, altre non sono in grado di supportare l’apprendimento automatico e l’elaborazione dei segnali digitali e alcune non dispongono di capacità di rete adeguate. Tra tutte queste sta emergendo un’altra categoria di tecnologie. Le piattaforme di accelerazione per il calcolo adattivo (ACAP), incorporano tutte le funzionalità sopra descritte, inclusa l’elaborazione vettoriale per l’apprendimento automatico e l’inferenza dell’apprendimento profondo, e includono CPU scalari per l’esecuzione delle architetture logiche di supporto strettamente accoppiate alla logica programmabile (PL), per l’acquisizione dati in tempo reale e l’elaborazione intensiva degli I/O. Queste risorse sono tutte accoppiate a un network-on- chip (NoC) a larga banda che fornisce l’accesso mappato in memoria a tutti e tre i tipi di processore e l’accesso in memoria ai dati acquisiti ed elaborati. La piattaforma ACAP (Fig. 5) fornisce quindi le risorse necessarie per eseguire le analisi di base e diagnostiche in prossimità alle sorgenti dei dati, con la capacitàdi integrare le architetture logiche di supporto per l’elaborazione del flusso dati come Apache Kafka e i sistemi di clustering alternativi. La manutenzione predittiva è un’impresa ardua e abbiamo descritto come è possibile orchestrare i requisiti e le capacità dati e di analisi. Questo articolo non può certo coprire tutti i dettagli delle architetture Lambda e Kappa, ma ne ha fornito un’introduzione per indicare un percorso di attuazione che descrive come funzionano i componenti a livello batch e di velocità. La potenza di calcolo richiesta a bordo rete potrebbe trarre vantaggio dai nuovi dispositivi di calcolo adattivo come le piattaforme ACAP di Xilinx per gestire l’enorme quantità di dati e fornire la qualità del servizio richiesta per i dispositivi embedded a bordo rete. Fig. 5 – Architettura ACAP