|
NanoEdgeAIStudio案例之----发动机异常检测
- 内容：介绍了一种通过使用具有机器学习能力的智能传感器节点来提高设备电机的可靠性和效率的方法。这种方法通过在机器被监测的地方进行数据处理，降低了基础设施成本、电力消耗和网络带宽。当出现异常时，设备用户会通过嵌入在系统芯片（SoC）中的蓝牙低功耗无线电接收到警报。
- 方法：首先，在NanoEdge AI studio工具中创建一个动态的“异常检测”模型，并进行第一阶段的“设备端学习”来调整模型。然后，在发动机上启动异常检测模型。数据收集使用的是FP-AI-PDMWBSOC固件包和STBLE传感器移动应用程序，并在STEVAL-PROTEUS1板上测试嵌入式NanoEdge AI机器学习模型。
- 结论：该方法能够有效地检测出不同速度下的发动机异常情况，包括正常信号和异常信号。实验结果显示，该方法的准确性达到了99.45 %，使用的RAM为5.7 Kbytes，Flash内存为6.9 Kbytes。
- 心得：该文档展示了如何使用边缘计算和机器学习技术来实现设备的实时状态监测和故障预警，从而降低维护成本并提高设备的运行效率。
| 
楼主
标题置顶
标题高亮
