SensiML Přidejte prediktivní údržbu do pokynů pro zařízení Smart Building

Představte koncepty a cíle pro laboratoř – 10 minut
Provedení postupu pro vytvoření modelu krok za krokem „v reálném čase“ – 60 minut
- Firmware pro sběr dat kompatibilní s Flash SensiML do Thunderboard Sense 2 (TBS2)
- Nakonfigurujte a připojte TBS2 k SensiML Data Capture Lab
- Zachyťte data „slide demo“ s holou deskou (uživatelé nebudou mít sady ventilátorů)
- Označte data a uložte a sample project (nebudeme však používat po zbytek kurzu)
- Vyvolat Analytics Studio (v tomto okamžiku budou uživatelé pracovat z předem shromážděných ukázkových dat fanoušků TBS2)
- Projděte si kroky pro vytvoření modelu modelu detekce stavu ventilátoru
- Vytvořte balíček znalostí
- Volitelné: Flash model do TBS2

Ukázkové video aplikace Smart Building – 5 minut
Otázky a odpovědi – 10 minut

Úvod do SensiML

SensiML je společnost zabývající se B2B softwarovými nástroji pro umělou inteligenci na hranici internetu věcí
- Umožňuje vývojářům vytvářet ultrakompaktní modely ML senzorů bez odborných znalostí z oblasti datové vědy
- Modely o velikosti pouhých 10 kB!
- Bývalý tým softwarových nástrojů pro umělou inteligenci Intel Curie/Quark MCU, v roce 2017 odešel založit SensiML
Silicon Labs a řešení SensiML
- Přináší energeticky efektivní ML do rodiny MCU EFR32/EFM32
- Rychlé prototypování chytrých aplikací IoT s Thunderboard Sense 2

SensiML má stabilitu a celosvětovou podporu
- Získané v roce 2019 společností QuickLogic Corp; nastavení a provoz jako zcela nezávislá softwarová dceřiná společnost (se sídlem v Portlandu, OR)
- Zavedení obchodní partneři (Avnet, Future Electronics, Mouser, Shinko Shoji)
- Prodejní/podporovací kanceláře ve Velké Británii, USA, Japonsku, Tchaj-wanu, Číně

Příležitosti pro TinyML v inteligentních budovách

Výzvy se stávajícím vývojem aplikací pro inteligentní IoT senzory

Umělá inteligence zaměřená na cloud

Vysoké zatížení sítě

Vysoká latence
Méně odolný proti chybám
Neznámé riziko zabezpečení dat
Obavy o soukromí

Hluboké učení

Velké požadavky na tréninková data
Velká paměťová stopa
Vysoká zátěž při zpracování
Vysoká spotřeba energie
Slabá výdrž baterie koncového bodu

Ručně kódované koncové body

Pomalé a pracné
Neznámá velikost kódu předem
Nedostatečná odbornost v oblasti datové vědy
Komplexní knihovny kódů AI/ML

Není škálovatelné/konkurenceschopné

TinyML = IoT Edge ML + AutoML

IoT Edge ML: Autonomní koncové body
- Triviální propustnost sítě a dlouhá výdrž bezdrátové baterie
- Žádné cloudové zpracování nebo síťové závislosti
- Odezva v reálném čase

AutoML: Optimalizujte bez odborných znalostí AI
- Auto-optimizer vybere nejlepší model pro poskytnutá data
- Klasické strojové učení (ML) prostřednictvím hlubokého učení
- SensiML TinyML poskytuje modely o velikosti pouhých 10 kB!
Ruční kódování není nutné
- Kód modelu automaticky generovaný z datových sad tréninku ML
- Šetří měsíce úsilí o vývoj a odborné znalosti v oblasti datové vědy
- Vývojář může podle potřeby změnit jakýkoli aspekt kódu AutoML

Pracovní postup budování modelu

Zachycení dat

Čas: Hodiny až týdny* (v závislosti na složitosti sběru dat aplikace)
Dovednost: Odborná znalost domény (podle potřeby ke shromažďování a označování zajímavých událostí)

Poznámka: K urychlení tohoto kroku pro workshop využijeme některá dříve shromážděná data

Sestavit model

Čas: Minuty až hodiny (v závislosti na stupni kontroly modelu)
Dovednost: Žádný (Full AutoML)
- Základní koncepty ML (pokročilé ladění uživatelského rozhraní)
- Programování v Pythonu (úplné řízení kanálu)

Testovací zařízení

Čas: Minuty až týdny (v závislosti na potřebách integrace kódu aplikace)
Dovednost: Žádný (Binární firmware s automaticky generovaným kódem I/O wrapper)
Programování vkládání (integrace knihovny SensiML nebo zdroje C s uživatelským kódem)

Cíle workshopu

Představte sadu nástrojů TinyML společnosti SensiML a proces vytváření modelu na Silicon Labs Thunderboard Sense 2

Zkušenosti s vývojem algoritmu senzoru ML pod dohledem na základě dat
Naučte se pracovní postup od shromažďování dat přes ověřování a testování na zařízení pro vytváření modelů IoT
Sestavte funkční model prediktivní údržby HVAC od začátku do konce

Odpovězte na otázky, které můžete mít ohledně procesu vytváření modelu TinyML

Funkční aplikace prediktivní údržby HVAC

Pro účely naší praktické části vybudujeme chytré zařízení pro sledování ventilátorů

Ventilátory používané všudypřítomně v systémech HVAC budov: Dmychadla, aktivní chlazení zařízení, klimatizační jednotky, ventilační potrubí
Porucha nebo degradace může způsobit ztrátu účinnosti, zvýšenou spotřebu energie, poruchy HVAC
Zkonstruujeme jednoduché monitorovací zařízení, které dokáže detekovat několik normálních a abnormálních stavů ventilátoru:
- Ventilátor vypnutý / zapnutý
- Uvolněné úchyty
- Překážka krytu ventilátoru
- Částečné nebo zcela zablokované proudění vzduchu
- Dopad čepele
- Nadměrné vibrace

Začněme proces

Workshop „v reálném čase“ krok za krokem postup tvorby modelu – 60 minut

Firmware pro sběr dat kompatibilní s Flash SensiML do Thunderboard Sense 2 (TBS2)
Nakonfigurujte a připojte TBS2 k SensiML Data Capture Lab

Zachyťte data „slide demo“ s holou deskou (uživatelé nebudou mít sady ventilátorů)
Označte data a uložte a sample project (nebudeme však používat po zbytek kurzu)
Vyvolat Analytics Studio (v tomto okamžiku budou uživatelé pracovat s předem shromážděnou ukázkovou datovou sadou fanoušků TBS2)

Projděte si kroky pro vytvoření modelu modelu detekce stavu ventilátoru
Vytvořte balíček znalostí
Flash model na TBS2

Demo video

Dokumenty / zdroje

SensiML Přidejte prediktivní údržbu do zařízení Smart Building Devices [pdfPokyny
Přidejte prediktivní údržbu v zařízeních inteligentních budov, údržbu zařízení v inteligentních budovách, zařízení inteligentních budov, zařízení budov

Reference

Uživatelská příručka

SensiML Přidejte prediktivní údržbu do zařízení Smart Building Devices

Agenda