SensiML 在智慧建築設備中加入預測性維護
議程
前期工作：使用者需事先安裝 Simplicity Studio 和 SensiML Analytics Toolkit
- 主持人介紹—— 5分鐘
- 介紹實驗室的概念與目標 – 10分鐘
- 「即時」執行模型所建立的逐步流程 – 60分鐘
- Flash SensiML 相容於 Thunderboard Sense 2 (TBS2) 的資料擷取韌體
- 設定 TBS2 並將其連接到 SensiML Data Capture Lab
- 使用裸板捕獲“幻燈片演示”數據（用戶沒有風扇套件）
- 標記資料並保存ample 專案（不過我們不會在課程的其餘部分使用）
- 呼叫 Analytics Studio（此時，使用者將使用預先收集的 TBS2 粉絲演示資料集）
- 完成建置風扇狀態偵測模型的模型步驟
- 創建知識包
- 可選：Flash 型號為 TBS2
- 智慧建築應用示範影片 – 5分鐘
- 問與答 – 10分鐘
SensiML簡介
- SensiML 是一家致力於物聯網邊緣人工智慧的 B2B 軟體工具公司
- 使開發人員能夠創建超緊湊的機器學習感測器模型，而無需數據科學專業知識
- 模型小至10KB！
- 前英特爾 Curie/Quark MCU AI 軟體工具團隊，於 2017 年離職組成 SensiML
- Silicon Labs 和 SensiML 解決方案
- 將高能效 ML 引入 EFR32/EFM32 MCU 系列
- 使用 Thunderboard Sense 2 快速建置智慧物聯網應用原型
- SensiML 具有穩定性和全球支持
- 2019 年被 QuickLogic Corp 收購；作為完全獨立的軟體子公司設置和運行（總部位於俄勒岡州波特蘭）
- 建立通路合作夥伴（Avnet、Future Electronics、Mouser、Shinko Shoji）
- 英國、美國、日本、台灣、中國設有銷售/支援辦事處
TinyML 在智慧建築中的機遇
現有智慧物聯網感測器應用開發面臨的挑戰
以雲端為中心的人工智慧
- 高網路流量負載
- 高延遲
- 容錯能力較差
- 資料安全的未知風險
- 隱私問題
深度學習
- 訓練資料要求大
- 記憶體佔用大
- 處理工作量大
- 高功耗
- 端點電池壽命不佳
手工編碼的端點
- 緩慢且勞力密集型
- 預先未知代碼大小
- 稀缺的數據科學專業知識
- 複雜的 AI/ML 程式碼庫
- 不具備可擴展性/競爭力
TinyML = IoT Edge ML + AutoML
- 物聯網邊緣機器學習： 自主端點
- 網路吞吐量微不足道，無線電池壽命長
- 沒有雲端處理或網路依賴性
- 即時回應能力
- 自動機器學習： 無需 AI 專業知識即可優化
- 自動優化器為所提供的資料選擇最佳模型
- 經典機器學習 (ML) 直至深度學習
- SensiML TinyML 產生小至 10KB 的模型！
- 不需要手動編碼
- 從 ML 訓練資料集自動產生的模型程式碼
- 節省數月的開發工作和數據科學專業知識
- 開發人員可以根據需要更改 AutoML 程式碼的任何方面
模型建構工作流程
擷取數據
- 時間： 幾小時到幾週*（取決於應用程式資料收集的複雜性）
- 技能： 領域專業知識（根據收集和標記感興趣事件的要求）
筆記： 我們將利用先前收集的一些數據來加快研討會的這一步驟
建立模型
- 時間： 分鐘到小時（取決於模型控制的程度）
- 技能： 無（全自動ML）
- 基本 ML 概念（進階 UI 調整）
- Python程式設計（全管控制）
測試裝置
- 時間： 分鐘到幾週（取決於應用程式程式碼整合需求）
- 技能： 無（具有自動產生的 I/O 包裝代碼的二進位韌體）
嵌入程式設計（SensiML 函式庫或 C 原始碼與使用者程式碼的整合）
研討會目標
- 介紹 SensiML 的 TinyML 工具包以及在 Silicon Labs Thunderboard Sense 2 上的模型建構過程
- 具有數據驅動的監督式機器學習感測器演算法開發經驗
- 了解從資料收集到驗證和設備上測試建構物聯網模型的工作流程
- 從頭到尾建立有效的 HVAC 預測維護模型
- 解決您可能對 TinyML 模型建立過程有的疑問
有效的 HVAC 預測維護應用程式
- 為了我們的實踐部分，我們將建立一個智慧風扇監控設備
- 建築暖通空調系統中普遍使用的風扇：鼓風機、設備主動冷卻、空氣處理器、通風管道
- 故障或退化可能導致效率損失、能源消耗增加、暖通空調故障
- 我們將建立一個簡單的監控設備，可以偵測多種正常和異常的風扇狀態：
- 風扇關閉/打開
- 鬆散的安裝座
- 風扇罩阻塞
- 部分或完全阻塞氣流
- 刀片撞擊
- 過度振動
讓我們開始這個過程
「即時」研討會模型建立逐步程式 – 60 分鐘
- Flash SensiML 相容於 Thunderboard Sense 2 (TBS2) 的資料擷取韌體
- 設定 TBS2 並將其連接到 SensiML Data Capture Lab
- 使用裸板捕獲“幻燈片演示”數據（用戶沒有風扇套件）
- 標記資料並保存ample 專案（不過我們不會在課程的其餘部分使用）
- 呼叫 Analytics Studio（此時，使用者將使用預先收集的 TBS2 粉絲演示資料集）
- 完成建置風扇狀態偵測模型的模型步驟
- 創建知識包
- 快閃記憶體模型為 TBS2
示範影片
版權所有 © 2021 SensiML 公司。版權所有。
文件/資源
 |
SensiML 在智慧建築設備中加入預測性維護 [pdf] 指示 在智慧型樓宇設備中添加預測性維護、在智慧建築設備中進行維護、智慧建築設備、建築設備 |
