SensiML Додајте предвидливо одржување во инструкции за уреди за паметни згради

Вовед за домаќин - 5 минути
Воведување концепти и цел за лабораторија - 10 минути
„Во реално време“ извршување чекор-по-чекор процедура за креирање модел – 60 минути
- Flash SensiML компатибилен фирмвер за собирање податоци на Thunderboard Sense 2 (TBS2)
- Конфигурирајте и поврзете го TBS2 со SensiML Data Capture Lab
- Снимајте податоци за „демо слајдови“ со гола табла (корисниците нема да имаат комплети за вентилатори)
- Обележете ги податоците и зачувајте и сample проект (иако нема да го користиме остатокот од курсот)
- Повикајте го студиото за аналитика (во овој момент, корисниците ќе работат од претходно собрани демо сет на фановите на TBS2)
- Работете низ чекорите за градење модел на моделот за откривање состојба на вентилатор
- Создадете пакет на знаење
- Изборно: Флеш модел на TBS2

Демо видео за апликации за паметни згради – 5 минути
Прашања и одговори - 10 минути

Вовед SensiML

SensiML е компанија за софтверски алатки B2B за вештачка интелигенција на работ на IoT
- Им овозможува на програмерите да создаваат ултра компактни модели на ML сензори без експертиза за науката за податоци
- Модели со големина од 10 KB!
- Поранешен тим за софтверски алатки за интелигенција на Intel Curie/Quark MCU, оставен да го формира SensiML во 2017 година
Silicon Labs и SensiML Solution
- Донесување на енергетски ефикасни ML во семејството EFR32/EFM32 MCU
- Брзо прототипирање на паметни IoT апликации со Thunderboard Sense 2

SensiML има стабилност и светска поддршка
- Стекнати во 2019 година од QuickLogic Corp; постави и работи како целосно независна софтверска подружница (со седиште во Портланд, ИЛИ)
- Воспоставени партнери на каналот (Avnet, Future Electronics, Mouser, Shinko Shoji)
- Канцеларии за продажба/поддршка во ОК, САД, Јапонија, Тајван, Кина

Можности за TinyML во паметни згради

Предизвици со постоечкиот развој на апликации за паметни IoT сензори

Облак-центрична вештачка интелигенција

Високо оптоварување на мрежен сообраќај
Висока латентност
Помалку толерантни за грешки
Непознат ризик од безбедност на податоците
Загриженост за приватност

Длабоко учење

Големи барања за податоци за обука
Голем мемориски отпечаток
Висок обем на работа за обработка
Висока потрошувачка на енергија
Лошо траење на батеријата на крајната точка

Рачно кодирани крајни точки

Бавно и трудоинтензивно
Непозната големина на код однапред
Скудна експертиза за наука за податоци
Комплексни библиотеки со AI/ML кодови
Не е скалабилно/конкурентно

TinyML = IoT Edge ML + AutoML

IoT Edge ML: Автономни крајни точки
- Тривијална мрежна пропусност и долг век на безжична батерија
- Нема обработка на облак или мрежна зависност
- Одговорност во реално време
AutoML: Оптимизирајте без експертиза за вештачка интелигенција
- Автоматскиот оптимизатор го избира најдобриот модел за дадените податоци
- Класично машинско учење (ML) преку длабоко учење
- SensiML TinyML дава модели со големина од 10 KB!

Не е потребно рачно кодирање
- Модел код автоматски генериран од збирки на податоци за обука за ML
- Заштедува месеци на напор за развој и експертиза за науката за податоци
- Програмерот може да го промени кој било аспект од кодот AutoML по желба

Работен тек на градење на модели

Снимајте податоци

Време: Од часови до недели* (во зависност од сложеноста на прибирањето податоци на апликацијата)
Вештина: Експертиза за домен (Како што е потребно за собирање и означување настани од интерес)

Забелешка: Ќе искористиме некои претходно собрани податоци за да го забрзаме овој чекор за работилницата

Изградба на модел

Време: Од минути до часови (во зависност од степенот на извршена контрола на моделот)

Вештина: Нема (Целосно AutoML)
- Основни ML концепти (Напредно подесување на интерфејсот)
- Програмирање со Python (целосна контрола на гасоводот)

Уред за тестирање

Време: Од минути до недели (во зависност од потребите за интеграција на кодот на апликацијата)

Вештина: Нема (Бинарен фирмвер со автоматски генериран код за обвивка за влез/излез)
Вградување на програмирање (интеграција на библиотека SensiML или извор C со кориснички код)

Цели на работилницата

Воведување на TinyML алатката на SensiML и процесот на градење модели на Silicon Labs Thunderboard Sense 2

Искуство со развој на надгледуван ML сензорски алгоритам управуван од податоци
Научете го работниот тек од собирањето податоци преку валидација и тестирање на уредот за градење модели на IoT
Изградете работен модел за одржување со предвидливо HVAC од почеток до крај
Адресајте ги прашањата што можеби ги имате во врска со процесот на креирање модел на TinyML

Работна апликација за предвидливо одржување на HVAC

За потребите на нашиот практичен дел, ќе изградиме паметен уред за следење на вентилаторот
Вентилатори кои се користат сеприсутно во градењето HVAC системи: вентилатори, активно ладење на опремата, ракувачи со воздух, вентилациони канали

Неуспехот или деградацијата може да предизвика губење на ефикасноста, зголемена потрошувачка на енергија, дефекти на HVAC
Ќе изградиме едноставен уред за следење кој може да открие повеќе нормални и ненормални состојби на вентилаторот:
- Вентилаторот е исклучен/вклучен
- Лабави држачи
- Опструкција на штитник на вентилаторот
- Делумно или целосно блокиран проток на воздух
- Удар на сечилото
- Вишок вибрации

Ајде да го започнеме процесот

Работилница „во реално време“ чекор-по-чекор постапка за креирање модел – 60 минути

Flash SensiML компатибилен фирмвер за собирање податоци на Thunderboard Sense 2 (TBS2)
Конфигурирајте и поврзете го TBS2 со SensiML Data Capture Lab
Снимајте податоци за „демо слајдови“ со гола табла (корисниците нема да имаат комплети за вентилатори)
Обележете ги податоците и зачувајте и сample проект (иако нема да го користиме остатокот од курсот)
Повикајте го студиото за аналитика (во овој момент, корисниците ќе работат од претходно собраниот демо сет на фановите на TBS2)
Работете низ чекорите за градење модел на моделот за откривање состојба на вентилатор
Создадете пакет на знаење
Флеш модел на TBS2

Демо видео

Документи / ресурси

SensiML Додајте предвидливо одржување во уредите за паметни згради [pdf] Инструкции
Додајте предвидливо одржување во уреди за паметни згради, одржување во паметни уреди за градба, паметни уреди за градење, уреди за градење

Референци

Упатство за употреба

SensiML Додајте предвидливо одржување во уредите за паметни згради

Агенда