SensiML 在智能建筑设备中添加预测性维护
议程
前期工作：用户需要提前安装Simplicity Studio和SensiML Analytics Toolkit
- 主持人介绍—— 5分钟
- 介绍实验室的概念和目标 – 10分钟
- “实时”执行模型创建的分步程序 – 60分钟
- Thunderboard Sense 2 (TBS2) 的 Flash SensiML 兼容数据收集固件
- 配置 TBS2 并将其连接到 SensiML Data Capture Lab
- 使用裸板捕获“幻灯片演示”数据（用户不会有风扇套件）
- 标记数据并保存和保存ample 项目（我们不会在课程的剩余部分使用）
- 调用 Analytics Studio（此时，用户将使用预先收集的 TBS2 粉丝演示数据集）
- 完成构建风扇状态检测模型的模型的步骤
- 创建知识包
- 可选：闪存模型到 TBS2
- 智能建筑应用演示视频 – 5分钟
- 问答 10分钟
SensiML 简介
- SensiML 是一家面向物联网边缘 AI 的 B2B 软件工具公司
- 使开发人员能够在没有数据科学专业知识的情况下创建超紧凑的 ML 传感器模型
- 模型小至 10KB！
- 前 Intel Curie/Quark MCU AI 软件工具团队，2017 年离职组建 SensiML
- Silicon Labs 和 SensiML 解决方案
- 将节能 ML 引入 EFR32/EFM32 MCU 系列
- 使用 Thunderboard Sense 2 快速构建智能物联网应用程序原型
- SensiML 具有稳定性和全球支持
- 2019年被QuickLogic Corp收购； 作为完全独立的软件子公司设置和运行（位于俄勒冈州波特兰）
- 建立渠道合作伙伴（Avnet、Future Electronics、Mouser、Shinko Shoji）
- 英国、美国、日本、台湾、中国的销售/支持办事处
TinyML 在智能建筑中的机遇
现有智能物联网传感器应用开发面临的挑战
以云为中心的人工智能
- 高网络流量负载
- 高延迟
- 容错性较低
- 未知的数据安全风险
- 隐私问题
深度学习
- 大训练数据要求
- 内存占用大
- 高处理工作量
- 高功耗
- 端点电池寿命不佳
手工编码端点
- 缓慢且劳动密集型
- 预先未知的代码大小
- 稀缺的数据科学专业知识
- 复杂的 AI/ML 代码库
- 不可扩展/没有竞争力
TinyML = IoT Edge ML + AutoML
- 物联网边缘机器学习： 自治端点
- 微不足道的网络吞吐量和较长的无线电池寿命
- 没有云处理或网络依赖
- 实时响应
- AutoML： 在没有 AI 专业知识的情况下进行优化
- 自动优化器为提供的数据选择最佳模型
- 经典机器学习 (ML) 通过深度学习向上
- SensiML TinyML 生成的模型小至 10KB！
- 不需要手动编码
- 从 ML 训练数据集自动生成模型代码
- 节省数月的开发工作和数据科学专业知识
- 开发人员可以根据需要更改 AutoML 代码的任何方面
建模工作流程
捕获数据
- 时间： 数小时至数周*（取决于应用程序数据收集的复杂性）
- 技能： 领域专业知识（根据需要收集和标记感兴趣的事件）
笔记： 我们将利用一些以前收集的数据来加快研讨会的这一步骤
建立模型
- 时间： 几分钟到几小时（取决于所施加的模型控制程度）
- 技能： 无（全自动机器学习）
- 基本 ML 概念（高级 UI 调整）
- Python编程（全流水线控制）
测试设备
- 时间： 几分钟到几周（取决于应用程序代码集成需求）
- 技能： 无（具有自动生成的 I/O 包装器代码的二进制固件）
嵌入式编程（SensiML 库或 C 源代码与用户代码的集成）
车间目标
- 介绍 SensiML 的 TinyML 工具包和 Silicon Labs Thunderboard Sense 2 上的模型构建过程
- 具有数据驱动的监督 ML 传感器算法开发经验
- 了解从数据收集到构建物联网模型的验证和设备测试的工作流程
- 从头到尾构建有效的 HVAC 预测性维护模型
- 解决您可能对 TinyML 模型创建过程有疑问
有效的 HVAC 预测性维护应用程序
- 出于动手实践的目的，我们将构建一个智能风扇监控设备
- 建筑 HVAC 系统中普遍使用的风扇：鼓风机、设备的主动冷却、空气处理器、通风管道
- 故障或退化会导致效率降低、能耗增加、HVAC 故障
- 我们将构建一个简单的监控设备，可以检测多种正常和异常的风扇状态：
- 风扇关闭/打开
- 松散的坐骑
- 风扇罩阻塞
- 部分或完全阻塞气流
- 叶片冲击
- 过度振动
让我们开始这个过程
模型创建的“实时”研讨会分步程序 – 60 分钟
- Thunderboard Sense 2 (TBS2) 的 Flash SensiML 兼容数据收集固件
- 配置 TBS2 并将其连接到 SensiML Data Capture Lab
- 使用裸板捕获“幻灯片演示”数据（用户不会有风扇套件）
- 标记数据并保存和保存ample 项目（我们不会在课程的剩余部分使用）
- 调用 Analytics Studio（此时，用户将使用预先收集的 TBS2 粉丝演示数据集）
- 完成构建风扇状态检测模型的模型的步骤
- 创建知识包
- 闪存模型到 TBS2
演示视频
版权所有 © 2021 SensiML Corporation。 版权所有。
文件/资源
 |
SensiML 在智能建筑设备中添加预测性维护 [pdf] 指示 添加智能建筑设备的预测性维护，智能建筑设备的维护，智能建筑设备，建筑设备 |
