SensiML Shto mirëmbajtje parashikuese në udhëzimet e pajisjeve të ndërtesave inteligjente

Prezantimi i hostit – 5 minuta
Prezantoni konceptet dhe qëllimin për laboratorin - 10 minuta
Ekzekutimi "në kohë reale" i procedurës hap pas hapi për krijimin e modelit - 60 minuta
- Firmware i përputhshëm me Flash SensiML për mbledhjen e të dhënave me Thunderboard Sense 2 (TBS2)
- Konfiguro dhe lidh TBS2 me SensiML Data Capture Lab
- Regjistroni të dhënat "demo rrëshqitëse" me tabelë të zhveshur (përdoruesit nuk do të kenë komplete Fan)
- Etiketoni të dhënat dhe ruani dhe sample projekt (ne nuk do të përdorim për pjesën e mbetur të kursit)
- Invoke Analytics Studio (në këtë pikë, përdoruesit do të punojnë nga grupi i të dhënave demonstruese të tifozëve TBS2)
- Punoni nëpër hapat për ndërtimin e modelit të modelit të zbulimit të gjendjes së ventilatorit
- Krijo një paketë njohurish
- Opsionale: Modeli flash në TBS2

Video demo e Aplikacioneve të Ndërtimit të zgjuar – 5 minuta
Pyetje dhe Përgjigje - 10 minuta

SensiML Hyrje

SensiML është një kompani e mjeteve softuerike B2B për AI në avantazhin e IoT
- U mundëson zhvilluesve të krijojnë modele ultra-kompakt të sensorëve ML pa ekspertizë të shkencës së të dhënave
- Modele të vogla sa 10 KB!
- Ish ekipi i mjeteve të softuerit Intel Curie/Quark MCU AI, u largua për të formuar SensiML në 2017
Silicon Labs dhe SensiML Solution
- Sjellja e ML me efikasitet të energjisë në familjen EFR32/EFM32 MCU
- Prototipi i shpejtë i aplikacionit inteligjent IoT me Thunderboard Sense 2

SensiML ka stabilitet dhe mbështetje në mbarë botën
- Blerë në 2019 nga QuickLogic Corp; konfiguroni dhe ekzekutoni si filial plotësisht i pavarur i softuerit (me bazë në Portland, OR)
- Partnerët e krijuar të kanalit (Avnet, Future Electronics, Mouser, Shinko Shoji)
- Zyrat e shitjeve/mbështetjes në MB, SHBA, Japoni, Tajvan, Kinë

Mundësitë për TinyML në ndërtesat inteligjente

Sfidat me zhvillimin ekzistues të aplikacionit të sensorëve inteligjentë të IoT

AI në qendër në renë kompjuterike

Ngarkesa e lartë e trafikut në rrjet
Latente e Lartë
Më pak tolerant ndaj gabimeve
Rreziku i panjohur i sigurisë së të dhënave
Shqetësimet e privatësisë

Mësimi i thellë

Kërkesa të mëdha për të dhëna trajnimi
Gjurmë e madhe memorie
Ngarkesa e lartë e përpunimit
Konsumi i lartë i energjisë
Jetëgjatësia e dobët e baterisë në pikën përfundimtare

Pikat fundore të koduara me dorë

I ngadalshëm dhe intensiv i punës
Madhësia e kodit të panjohur përpara
Ekspertizë e pakët e shkencës së të dhënave
Bibliotekat komplekse të kodeve AI/ML
Jo i shkallëzueshëm / konkurrues

TinyML = IoT Edge ML + AutoML

IoT Edge ML: Pikat fundore autonome
- Rrjeti i parëndësishëm i rrjetit dhe jetëgjatësia e gjatë e baterisë me valë
- Nuk ka përpunim cloud ose varësi nga rrjeti
- Përgjegjshmëri në kohë reale
AutoML: Optimizo pa ekspertizë AI
- Optimizuesi automatik zgjedh modelin më të mirë për të dhënat e ofruara
- Mësimi klasik i makinerive (ML) rritet përmes mësimit të thellë
- SensiML TinyML jep modele të vogla deri në 10 KB!

Nuk kërkohet kodimi me dorë
- Kodi i modelit i gjeneruar automatikisht nga grupet e të dhënave të trajnimit ML
- Kursen muaj përpjekjesh zhvillimi dhe ekspertizë të shkencës së të dhënave
- Zhvilluesi mund të ndryshojë çdo aspekt të kodit AutoML sipas dëshirës

Rrjedha e punës për ndërtimin e modelit

Kapni të dhëna

Koha: Orë në javë* (në varësi të kompleksitetit të mbledhjes së të dhënave të aplikacionit)
Aftësi: Ekspertiza e Domenit (Siç kërkohet për të mbledhur dhe etiketuar ngjarjet me interes)

Shënim: Ne do të shfrytëzojmë disa të dhëna të mbledhura më parë për të përshpejtuar këtë hap për seminarin

Ndërtimi i modelit

Koha: Minuta deri në orë (në varësi të shkallës së kontrollit të modelit të ushtruar)

Aftësi: Asnjë (Full AutoML)
- Konceptet bazë të ML (akordim i avancuar i ndërfaqes së përdoruesit)
- Programimi Python (Kontrolli i plotë i tubacionit)

Pajisja e testimit

Koha: Minuta deri në javë (në varësi të nevojave për integrimin e kodit të aplikacionit)

Aftësi: Asnjë (firmware binar me kodin e mbështjellësit të I/O të gjeneruar automatikisht)
Përfshirja e programimit (Integrimi i bibliotekës SensiML ose burimi C me kodin e përdoruesit)

Qëllimet e seminarit

Prezantoni paketën e veglave të SensiML-së TinyML dhe procesin e ndërtimit të modelit në Silicon Labs Thunderboard Sense 2

Përvojë me zhvillimin e algoritmit të sensorëve ML të mbikëqyrur të drejtuar nga të dhënat
Mësoni rrjedhën e punës nga mbledhja e të dhënave përmes vërtetimit dhe testimit në pajisje për ndërtimin e modeleve IoT
Ndërtoni një model funksionues të mirëmbajtjes parashikuese HVAC nga fillimi në fund
Drejtoni pyetjet që mund të keni në lidhje me procesin e krijimit të modelit TinyML

Një aplikacion funksional i mirëmbajtjes parashikuese HVAC

Për qëllime të pjesës sonë praktike, ne do të ndërtojmë një pajisje inteligjente për monitorimin e tifozëve
Tifozët e përdorur kudo në ndërtimin e sistemeve HVAC: Fryrëset, ftohja aktive e pajisjeve, mbajtësit e ajrit, kanalet e ventilimit

Dështimi ose degradimi mund të shkaktojë humbje të efikasitetit, rritje të konsumit të energjisë, dështime të HVAC
Ne do të ndërtojmë një pajisje të thjeshtë monitorimi që mund të zbulojë gjendje të shumta normale dhe jonormale të ventilatorit:
- Fikja / ndezja e ventilatorit
- Montime të lirshme
- Pengimi i rojes së ventilatorit
- Rrjedha e pjesshme ose plotësisht e bllokuar e ajrit
- Përplasja e tehut
- Dridhje e tepërt

Le të fillojmë procesin

Procedura hap pas hapi e punëtorisë “në kohë reale” për krijimin e modelit – 60 minuta

Firmware i përputhshëm me Flash SensiML për mbledhjen e të dhënave me Thunderboard Sense 2 (TBS2)
Konfiguro dhe lidh TBS2 me SensiML Data Capture Lab
Regjistroni të dhënat "demo rrëshqitëse" me tabelë të zhveshur (përdoruesit nuk do të kenë komplete Fan)
Etiketoni të dhënat dhe ruani dhe sample projekt (ne nuk do të përdorim për pjesën e mbetur të kursit)
Invoke Analytics Studio (në këtë pikë, përdoruesit do të punojnë nga grupi i të dhënave demonstruese të tifozëve TBS2)
Punoni nëpër hapat për ndërtimin e modelit të modelit të zbulimit të gjendjes së ventilatorit
Krijo një paketë njohurish
Modeli flash në TBS2

Video Demo

Dokumentet / Burimet

SensiML Shto mirëmbajtje parashikuese në pajisjet e ndërtesave inteligjente [pdfUdhëzime
Shto mirëmbajtje parashikuese në pajisjet e ndërtesave inteligjente, mirëmbajtje në pajisjet e ndërtesave inteligjente, pajisje ndërtimi inteligjente, pajisje ndërtimi

Referencat

Manuali i Përdoruesit

SensiML Shto mirëmbajtje parashikuese në pajisjet e ndërtesave inteligjente

Rendi i ditës