SensiML Bættu við forspárviðhaldi í snjallbyggingartækjum

Dagskrá

Forvinna: Notendur skulu hafa sett upp Simplicity Studio og SensiML Analytics Toolkit fyrirfram

• Gestgjafakynning - 5 mínútur
• Kynntu hugtök og markmið fyrir rannsóknarstofu - 10 mínútur
• „Rauntíma“ framkvæmd skref-fyrir-skref aðferð til að búa til líkan - 60 mínútur
  • Flash SensiML samhæft gagnasöfnunarvélbúnaðar fyrir Thunderboard Sense 2 (TBS2)
  • Stilltu og tengdu TBS2 við SensiML Data Capture Lab
  • Fangaðu „skyggnusýni“ gögn með berum borði (notendur munu ekki hafa aðdáendasett)
  • Merktu gögn og vistaðu og sampLe project (við munum samt ekki nota það sem eftir er af námskeiðinu)
  • Kallaðu upp Analytics Studio (á þessum tímapunkti munu notendur vinna úr fyrirfram söfnuðum TBS2 aðdáenda kynningargagnagrunni)
  • Vinndu í gegnum skrefin til að búa til líkan til að smíða viftustöðugreiningarlíkanið
  • Búðu til þekkingarpakka
  • Valfrjálst: Flash líkan til TBS2
• Sýningarmyndband fyrir Smart Building Applications – 5 mínútur
• Spurt og svarað - 10 mínútur

SensiML kynning

• SensiML er B2B hugbúnaðarverkfærafyrirtæki fyrir gervigreind í IoT brúninni
  • Gerir forriturum kleift að búa til ofurlítið ML skynjaralíkön án sérfræðiþekkingar í gagnavísindum
  • Módel allt niður í 10KB!
  • Fyrrum Intel Curie/Quark MCU AI hugbúnaðarverkfærateymi, eftir til að stofna SensiML árið 2017
• Silicon Labs og SensiML lausn
  • Færir orkunýtan ML til EFR32/EFM32 MCU fjölskyldunnar
  • Hröð snjöll IoT forritsfrumgerð með Thunderboard Sense 2
• SensiML hefur stöðugleika og stuðning um allan heim
  • Keypt árið 2019 af QuickLogic Corp; setja upp og keyra sem algjörlega sjálfstætt dótturfyrirtæki hugbúnaðar (með aðsetur í Portland, OR)
  • Stofnaðir rásarfélagar (Avnet, Future Electronics, Mouser, Shinko Shoji)
  • Sölu-/stuðningsskrifstofur í Bretlandi, Bandaríkjunum, Japan, Taívan, Kína

Tækifæri fyrir TinyML í snjallbyggingum

Áskoranir með núverandi snjall IoT skynjara forritaþróun

Cloud-Cenric AI 

• Mikið netumferðarálag
• Mikil biðtími
• Minni bilunarþol
• Óþekkt hætta á gagnaöryggi
• Áhyggjur af friðhelgi einkalífs

Djúpt nám

• Stórar kröfur um þjálfunargögn
• Stórt minnisfótspor
• Mikið vinnsluálag
• Mikil orkunotkun
• Léleg endingartími rafhlöðu

Handkóðaðir endapunktar 

• Hægt og vinnufrekt
• Óþekkt kóðastærð fyrirfram
• Lítil sérfræðiþekking í gagnavísindum
• Flókin AI/ML kóðasöfn
• Ekki skalanlegt/samkeppnishæft

TinyML = IoT Edge ML + AutoML

• IoT Edge ML: Sjálfstæðir endapunktar
  • Lítil netafköst og langur ending þráðlausrar rafhlöðu
  • Engin skývinnsla eða háð netkerfi
  • Rauntíma svörun
• AutoML: Fínstilltu án AI sérfræðiþekkingar
  • Sjálfvirk fínstilling velur bestu gerð fyrir gögnin sem veitt eru
  • Klassískt vélanám (ML) upp í gegnum djúpt nám
  • SensiML TinyML skilar líkönum allt að 10KB!
• Handkóðun ekki nauðsynleg
  • Líkanskóði myndaður sjálfkrafa úr ML þjálfunargagnasöfnum
  • Sparar margra mánaða þróunarviðleitni og sérfræðiþekkingu á gagnavísindum
  • Hönnuður getur breytt hvaða þætti sem er í AutoML kóðanum eins og þú vilt

Verkflæði módelbyggingar

Handtaka gögn 

• Tími: Klukkutímar til vikur* (fer eftir flóknum gagnasöfnun forrita)
• Færni: Lénsþekking (Eins og krafist er til að safna og merkja atburði sem vekja áhuga)

Athugið: Við munum nýta nokkur áður safnað gögn til að flýta fyrir þessu skrefi fyrir verkstæðið

Byggja líkan 

• Tími: Mínútur til klukkustunda (fer eftir stigi líkanstýringar)
• Færni: Engin (Full AutoML)
  • Grunnhugtök ML (Ítarleg stilling á notendaviðmóti)
  • Python forritun (full stjórn á leiðslu)

Prófunartæki 

• Tími: Mínútur til vikur (fer eftir samþættingu forritakóða)
• Færni: Enginn (Tvöfaldur fastbúnaður með sjálfvirkum I/O umbúðakóða)
  Embedding forritun (samþætting SensiML bókasafns eða C uppruna með notendakóða)

Markmið vinnustofu

• Kynntu TinyML verkfærakistuna frá SensiML og módelbyggingarferlið á Silicon Labs Thunderboard Sense 2
• Reynsla af gagnadrifinni stýrðri ML skynjara reiknirit þróun
• Lærðu verkflæðið frá gagnasöfnun í gegnum staðfestingu og prófanir á tæki til að byggja upp IoT módel
• Búðu til virkt loftræstifyrirspárviðhaldslíkan frá upphafi til enda
• Svaraðu spurningum sem þú gætir haft um TinyML líkanagerðina

Vinnandi HVAC forspárviðhaldsforrit

• Við ætlum að smíða snjallt eftirlitstæki fyrir aðdáendur
• Viftur sem eru notaðar alls staðar í byggingu loftræstikerfis: Blásar, virk kæling búnaðar, lofthöndlarar, loftræstikerfi
• Bilun eða niðurbrot getur valdið tapi á skilvirkni, aukinni orkunotkun, bilun í loftræstingu
• Við munum smíða einfalt eftirlitstæki sem getur greint mörg eðlileg og óeðlileg viftuástand:
  • Vifta slökkt / kveikt
  • Lausar festingar
  • Hindrun aðdáandi hlífðar
  • Lokað loftflæði að hluta eða að fullu
  • Hörð blað
  • Umfram titringur

Byrjum ferlið

„Rauntíma“ vinnustofa skref-fyrir-skref aðferð við gerð líkana – 60 mínútur

• Flash SensiML samhæft gagnasöfnunarvélbúnaðar fyrir Thunderboard Sense 2 (TBS2)
• Stilltu og tengdu TBS2 við SensiML Data Capture Lab
• Fangaðu „skyggnusýni“ gögn með berum borði (notendur munu ekki hafa aðdáendasett)
• Merktu gögn og vistaðu og sampLe project (við munum samt ekki nota það sem eftir er af námskeiðinu)
• Kallaðu upp Analytics Studio (á þessum tímapunkti munu notendur vinna úr fyrirframsöfnuðu TBS2 aðdáendasýnisgagnagagnasafninu)
• Vinndu í gegnum skrefin til að búa til líkan til að smíða viftustöðugreiningarlíkanið
• Búðu til þekkingarpakka
• Flash líkan til TBS2

Demo myndband

Höfundarréttur © 2021 SensiML Corporation. Allur réttur áskilinn.

Skjöl / auðlindir

SensiML Bættu við forspárviðhaldi í snjallbyggingartækjum [pdfLeiðbeiningar Bæta við forspárviðhaldi í snjallbyggingartækjum, viðhaldi í snjallbyggingartækjum, snjallbyggingartækjum, byggingartækjum

Heimildir

• Notendahandbók