03应用场景有哪些？
目前一些智能可穿戴设备，包括智能耳机和智能手表已经在使用相关技术。通过加速度传感器和陀螺仪辅以相应的嵌入式自动化机器学习算法，可以更好的分析用户行为，并且支持自定义手势创建、情境感知、活动分类、步态分析，提供更加贴合用户自身的服务。
智能家居也是应用场景之一。智能水壶和智能灶台可以通过声学传感器和算法，检测水是否烧开、烧开的水是否溢出、壶和锅的温度有没有过高。还可以监测智能微波炉中的玉米花是否爆开，以便及时关闭设备。
当然，你也许会想，这些场景都是“小儿科”，只有在最复杂的工业场景中实现应用，才能验证“TinyML＋AutoML”嵌入式自动化机器学习算法真正有效。如你所料，有些企业正在将嵌入式机器学习自动算法用于预测性维护。
对于预测性维护（PDM）的发展阶段进行简单划分，可分为4个阶段：
PDM 1．0—反应性维护：当问题出现时再来解决它，例如救火。
PDM 2．0—预防性维护：包括外观检测，以及能够提供更具体、更客观的有关机器或系统状况相关信息的定期资产检测。
PDM 3．0—基于规则的预测性维护：也就是“状态监测”。传感器持续收集来自设备的数据，并根据预先设定的规则，包含在预先设定的临界值出现时发出警报。
PDM 4．0—基于机器学习的预测性维护：依靠大量的历史数据或者测试数据，结合为不同情境定制的机器学习算法，预测错误出现的时间和位置，然后发出警报。
PDM 4．0是通过先进的分析技术对资产的技术条件、使用、环境、维修历史、其他类似设备以及任何可能与之相关的大数据进行分析，预测未来将会发生的故障，并最终制定出最有效的预防措施。
在这个过程中，听声能力很重要，就像维护维修专家能够通过汽车引擎的声音，来诊断车辆的问题一样，工业设备如果拥有了一双远程的“顺风耳”，结合振动分析，就可以让PDM方案更精确。声音同样还能被用于诊断液体泄露、管道腐蚀和液位测量。
PDM4．0还面临一个规模化应用的窘境，由于每个设备的安装条件、载重性能和外部环境都不相同，单一的AI模型可能无法在类似的电机上批量复制。
TinyML＋AutoML使用时间序列传感器，包括模拟和数字麦克风，可以自适应的创建AI模型。通过声音传感与分析，有助于识别预测性维护应用的问题。
