本网页已闲置超过3分钟,按键盘任意键或点击空白处,即可回到网页

基于 边缘脉冲 的 TinyML 模型车辆预测性维护

发布时间:2021-12-23
分享到:

基于 边缘脉冲 的 TinyML 模型车辆预测性维护

发布时间:2021-12-23
分享到:

在汽车中放置 TinyML 支持的微控制器
将 Thunder board sense2 板靠近前轮。该板将捕获音频数据以进行分类。

问题陈述:

  • 客户无法找出车辆的故障案例,如驱动轴故障、刹车蹄噪音等。
  • 车辆中的预测性维护功能在中档、低端车型中不可用。
  • 错过初始情况下的机械部件故障可能会导致其他机械部件的损坏。

解决这个问题的技术贡献:
我已经使用 Edge 脉冲软件开发了一个 TinyML 模型。该模型可以预测车辆是否有任何故障驱动轴问题、刹车片噪音和正常状况。模型在上述条件下使用音频数据进行训练,然后部署回雷电板 sense2 板。

我从汽车修理工那里收集了信息,他可以通过汽车在运行状态下的声音找出车辆的一些问题。我在汽车修理工的帮助下完成了音频数据采集并训练了模型。

理想情况下,我已将车辆问题的知识转换为 TinyML 模型。

常规方法

在车辆预测性维护中使用边缘脉冲的 TinyML 模型

建筑学:
完整的架构如下图所示:

该车辆预测性维护包括:

  • 车辆数据采集
  • Edge Impulse中的模型训练
  • 分类
  • 部署

车辆数据采集:
要将 Thunderboard sense2 板连接到 EI 帐户,请按照以下链接中提到的步骤操作。

设备连接

固件安装后,在命令窗口中,键入守护程序命令。

连接设备后,转到 -> 数据采集部分并收集车辆噪声数据。

确保在噪声较小的环境中收集数据,以仅捕获车辆噪声数据而不是其他车辆数据。

数据是按这个比例收集的。

Edge Impulse中的模型训练
在 create Impulse 部分,配置 keras、Time series(窗口大小)。

在 MFE 部分,您可以探索这些功能。

神经网络分类器
在神经网络中,如下所述配置神经网络层。

测试
在测试中,模型使用未在训练阶段使用的新数据集进行测试。

部署
成功验证训练好的模型后,部署回雷电板Sense 2。

转到部署部分并选择板。

下载二进制文件后,将其复制并粘贴到 Thunderboard sense2 驱动器中。

本方案所用到的一些代码

如果您对此项目有任何想法、意见或问题,请在下方留言。

原文链接丨以上内容来源网络,如涉及侵权可联系删除。

加入微信技术交流群

技术交流,职业进阶

关注与非网服务号

获取电子工程师福利

加入电路城 QQ 交流群

与技术大牛交朋友

讨论