SensiML Voeg voorspellende instandhouding by instruksies vir slimboutoestelle

Gasheer Inleiding – 5 minute
Stel konsepte en doelwit vir laboratorium bekend – 10 minute
"Intydse" uitvoering van stap-vir-stap prosedure vir modelskepping - 60 minute
- Flash SensiML-versoenbare data-insamelingsfirmware na die Thunderboard Sense 2 (TBS2)
- Konfigureer en koppel TBS2 aan SensiML Data Capture Lab
- Vang 'skyfie-demo'-data met kaal bord vas (gebruikers sal nie waaierstelle hê nie)
- Benoem data en stoor en sample projek (ons sal egter nie vir die res van die kursus gebruik nie)
- Roep Analytics Studio op (gebruikers sal op hierdie stadium van vooraf-versamelde TBS2-aanhanger-demo-datastel werk)
- Werk deur die stappe vir modelbou van die waaiertoestandbespeuringsmodel
- Skep 'n kennispakket
- Opsioneel: Flitsmodel na TBS2

Smart Building Applications demo video – 5 minute
V&A – 10 minute

SensiML Inleiding

SensiML is 'n B2B-sagteware-gereedskapmaatskappy vir KI aan die IoT-rand
- Stel ontwikkelaars in staat om ultrakompakte ML-sensormodelle te skep sonder datawetenskap-kundigheid
- Modelle so klein as 10KB!
- Voormalige Intel Curie/Quark MCU AI-sagteware-gereedskapspan, verlaat om SensiML in 2017 te vorm
Silicon Labs en SensiML-oplossing
- Bring kragdoeltreffende ML na die EFR32/EFM32 MCU-familie
- Vinnige slim IoT-toepassing prototipering met Thunderboard Sense 2

SensiML het stabiliteit en wêreldwye ondersteuning
- Verkry in 2019 deur QuickLogic Corp; opstel en bestuur as geheel en al onafhanklike sagteware filiaal (gebaseer in Portland, OR)
- Gevestigde kanaalvennote (Avnet, Future Electronics, Mouser, Shinko Shoji)
- Verkoops-/ondersteuningskantore in die Verenigde Koninkryk, die VSA, Japan, Taiwan, China

Geleenthede vir TinyML in slim geboue

Uitdagings met bestaande slim IoT-sensortoepassingsontwikkeling

Wolk-sentriese KI

Hoë netwerkverkeerslading
Hoë latheid
Minder foutverdraagsaam
Onbekende risiko van datasekuriteit
Kommer oor privaatheid

Diep leer

Groot opleidingsdatavereistes
Groot geheue voetspoor
Hoë verwerkingswerklading
Hoë kragverbruik
Swak eindpunt batterylewe

Handgekodeerde eindpunte

Stadig en arbeidsintensief
Onbekende kodegrootte vooraf
Skaars datawetenskap kundigheid
Komplekse AI/ML kode biblioteke
Nie skaalbaar/mededingend nie

TinyML = IoT Edge ML + AutoML

IoT Edge ML: Outonome eindpunte
- Triviale netwerkdeurset en lang draadlose batterylewe
- Geen wolkverwerking of netwerkafhanklikhede nie
- Intydse reaksie
AutoML: Optimaliseer sonder KI-kundigheid
- Outo-optimiseerder kies die beste model vir die data wat verskaf word
- Klassieke masjienleer (ML) tot deur diep leer
- SensiML TinyML lewer modelle so klein as 10KB!

Handkodering nie nodig nie
- Modelkode outomaties gegenereer vanaf ML-opleidingdatastelle
- Spaar maande se ontwikkelingspoging en kundigheid in datawetenskap
- Ontwikkelaar kan enige aspek van die AutoML-kode verander soos verlang

Modelbouwerkvloei

Vang data vas

Tyd: Ure tot Weke* (Afhangende van kompleksiteit van die versameling van toepassingdata)
Vaardigheid: Domeinkundigheid (soos vereis om gebeurtenisse van belang te versamel en te etiketteer)

Let wel: Ons sal 'n paar voorheen versamelde data gebruik om hierdie stap vir die werkswinkel te versnel

Bou model

Tyd: Minute tot ure (Afhangende van die mate van modelbeheer wat uitgeoefen word)

Vaardigheid: Geen (Volledige AutoML)
- Basiese ML-konsepte (Gevorderde UI-instelling)
- Python-programmering (volledige pyplynbeheer)

Toets Toestel

Tyd: Minute tot weke (Afhangende van programkode-integrasiebehoeftes)

Vaardigheid: Geen (Binêre firmware met outo-gegenereerde I/O-omslagkode)
Inbeddingsprogrammering (Integrasie van SensiML-biblioteek of C-bron met gebruikerskode)

Werkswinkel doelwitte

Stel SensiML se TinyML-gereedskapstel en die modelbouproses op Silicon Labs Thunderboard Sense 2 bekend

Ervaring met data-gedrewe onder toesig ML sensor algoritme ontwikkeling
Leer die werkvloei van data-insameling deur validering en toetse op die toestel vir die bou van IoT-modelle
Bou 'n werkende HVAC voorspellende instandhoudingsmodel begin tot einde
Gee aandag aan vrae wat jy mag hê oor die TinyML-modelskeppingsproses

'n Werkende HVAC Voorspellende Onderhoud Aansoek

Vir doeleindes van ons praktiese gedeelte, gaan ons 'n slim waaiermonitortoestel bou
Aanhangers wat alomteenwoordig gebruik word in die bou van HVAC-stelsels: blasers, aktiewe verkoeling van toerusting, lughanteerders, ventilasiekanale

Mislukking of agteruitgang kan verlies aan doeltreffendheid, verhoogde energieverbruik, HVAC-onderbrekings veroorsaak
Ons sal 'n eenvoudige moniteringstoestel bou wat verskeie normale en abnormale waaiertoestande kan opspoor:
- Waaier af / aan
- Los mounts
- Fan guard obstruksie
- Gedeeltelike of ten volle geblokkeerde lugvloei
- Lemmetjie botsing
- Oormatige vibrasie

Kom ons begin die proses

“Intydse” werkswinkel stap-vir-stap prosedure vir modelskepping – 60 minute

Flash SensiML-versoenbare data-insamelingsfirmware na die Thunderboard Sense 2 (TBS2)
Konfigureer en koppel TBS2 aan SensiML Data Capture Lab
Vang 'skyfie-demo'-data met kaal bord vas (gebruikers sal nie waaierstelle hê nie)
Benoem data en stoor en sample projek (ons sal egter nie vir die res van die kursus gebruik nie)
Roep Analytics Studio op (gebruikers sal op hierdie stadium vanaf die voorafversamelde TBS2-aanhanger-demo-datastel werk)
Werk deur die stappe vir modelbou van die waaiertoestandbespeuringsmodel
Skep 'n kennispakket
Flitsmodel na TBS2

Demo video

Dokumente / Hulpbronne

SensiML Voeg voorspellende instandhouding by slimboutoestelle [pdf] Instruksies
Voeg voorspellende instandhouding in slimboutoestelle, onderhoud in slimboutoestelle, slimboutoestelle, boutoestelle by

Verwysings

Gebruikershandleiding

SensiML Voeg voorspellende instandhouding by slimboutoestelle

Agenda