|
NanoEdgeAIStudio案例之----电气故障检测和分类
- 内容：这个文档介绍了一个基于人工智能的电气故障检测和分类项目。该项目使用了一个从Kaggle获取的数据集，该数据集包括了12000个三相线路电压和电流的数据点。通过NanoEdge AI Studio创建了一个N-Class分类模型来检测和分类电气异常。
- 方法：首先，使用电流传感器和电压传感器收集数据。然后，利用这些输入数据训练了一个N-Class分类模型，用于检测和分类电气异常。最后，将检测结果与实际故障进行比较，以评估模型的准确性。
- 结果：该项目在异常检测方面达到了98.90%的准确率，占用了0.6 Kbytes的RAM和7.1 Kbytes的Flash内存。在故障分类方面，达到了98.51%的准确率，占用了0.1 KB RAM和214.9KB Flash。
- 心得：通过这个项目，我们可以看到人工智能在电气故障检测和分类方面的潜力。与传统的基于人类专业知识的被动维护相比，这种方法可以实时监控、减少错误并具有更好的可扩展性。此外，该项目还展示了如何使用NanoEdge AI Studio创建一个高效且准确的N-Class分类模型来实现这一目标。
| 
楼主
标题置顶
标题高亮
