描述

是否有可能在一個(gè)簡單的 4 美元 MCU 上制作一個(gè)人工智能驅(qū)動(dòng)的系統(tǒng)來預(yù)測(cè)變速箱故障？如何自動(dòng)構(gòu)建不需要任何額外壓縮的緊湊模型？非數(shù)據(jù)科學(xué)家能否成功實(shí)施此類項(xiàng)目？

我將在我的新項(xiàng)目中回答所有這些問題。

介紹和業(yè)務(wù)約束

在工業(yè)（例如，風(fēng)力發(fā)電、汽車）中，變速箱通常在隨機(jī)速度變化下運(yùn)行。狀態(tài)監(jiān)測(cè)系統(tǒng)有望檢測(cè)故障、斷齒狀態(tài)，并使用在不同速度曲線下收集的振動(dòng)信號(hào)評(píng)估其嚴(yán)重程度。

現(xiàn)代汽車有數(shù)十萬個(gè)細(xì)節(jié)和系統(tǒng)，需要預(yù)測(cè)故障、控制溫度、壓力等狀態(tài)。因此，在汽車行業(yè)，創(chuàng)建和嵌入能夠正常運(yùn)行的 TinyML 模型至關(guān)重要在傳感器上開辟了一系列技術(shù)優(yōu)勢(shì)，例如：

• 互聯(lián)網(wǎng)獨(dú)立
• 在數(shù)據(jù)傳輸上不浪費(fèi)能源和金錢
• 高級(jí)隱私和安全性

在我的實(shí)驗(yàn)中，我想展示如何輕松創(chuàng)建這樣的技術(shù)原型，以普及 TinyML 方法并將其令人難以置信的功能用于汽車行業(yè)。

使用的技術(shù)

• Neuton TinyML：Neuton，我選擇了這個(gè)解決方案，因?yàn)樗梢悦赓M(fèi)使用，并且可以自動(dòng)創(chuàng)建微型機(jī)器學(xué)習(xí)模型，甚至可以部署在 8 位 MCU 上。根據(jù) Neuton 開發(fā)人員的說法，您可以在一次迭代中創(chuàng)建一個(gè)緊湊的模型，而無需壓縮。
• Raspberry Pi Pico：該芯片采用兩個(gè) ARM Cortex-M0 + 內(nèi)核，133 兆赫，安裝在芯片上時(shí)還與 256 KB 的 RAM 配對(duì)。該器件支持高達(dá) 16 MB 的片外閃存，具有一個(gè) DMA 控制器，包括兩個(gè) UART 和兩個(gè) SPI，以及兩個(gè) I2C 和一個(gè) USB 1.1 控制器。該器件接收16個(gè)PWM通道和30個(gè)GPIO針，其中4個(gè)適合模擬數(shù)據(jù)輸入。并帶有4 美元的凈價(jià)格標(biāo)簽。

讓我們構(gòu)建它

本教程的目標(biāo)是演示如何輕松構(gòu)建緊湊的 ML 模型來解決多類分類任務(wù)，以檢測(cè)齒輪箱中的斷齒狀況。

數(shù)據(jù)集描述

變速箱故障診斷數(shù)據(jù)集包括使用 SpectraQuest 的變速箱故障診斷模擬器記錄的振動(dòng)數(shù)據(jù)集。

數(shù)據(jù)集已使用 4 個(gè)振動(dòng)傳感器記錄在四個(gè)不同的方向上，并在從“0”到“90”% 的負(fù)載變化下。包括兩種不同的情況：1) 健康狀況2) 斷牙狀況

總共有 20 個(gè)文件，10 個(gè)用于健康的變速箱，10 個(gè)用于損壞的變速箱。每個(gè)文件對(duì)應(yīng)于從 0% 到 90% 的給定負(fù)載，步長為 10%。

該實(shí)驗(yàn)將在 4 美元的 MCU 上進(jìn)行，沒有云計(jì)算碳足跡 :)

第 1 步：模型訓(xùn)練

對(duì)于模型訓(xùn)練，我將使用免費(fèi)平臺(tái) Neuton TinyML。創(chuàng)建解決方案后，繼續(xù)上傳數(shù)據(jù)集（請(qǐng)記住，當(dāng)前支持的格式僅為 CSV）。

是時(shí)候?yàn)槊總€(gè)預(yù)測(cè)選擇目標(biāo)變量或所需的輸出了。在這種情況下，我們將類作為輸出變量：'target'

由于數(shù)據(jù)集是一個(gè)振動(dòng)，我們需要在訓(xùn)練模型之前準(zhǔn)備好數(shù)據(jù)。為此，我選擇設(shè)置數(shù)字信號(hào)處理 (DSP)。

數(shù)字信號(hào)處理 (DSP)選項(xiàng)支持對(duì)來自陀螺儀、加速度計(jì)、磁力計(jì)、肌電圖 (EMG) 等的數(shù)據(jù)進(jìn)行自動(dòng)預(yù)處理和特征提取。Neuton 將自動(dòng)轉(zhuǎn)換原始數(shù)據(jù)并提取其他特征，以創(chuàng)建用于信號(hào)分類的精確模型。

對(duì)于此模型，我們使用準(zhǔn)確度作為指標(biāo)（但您可以試驗(yàn)所有可用指標(biāo)）。

在訓(xùn)練模型時(shí)，您可以查看數(shù)據(jù)處理完成后生成的探索性數(shù)據(jù)分析，查看以下視頻：

我的目標(biāo)指標(biāo)是：準(zhǔn)確度 0.921372 ，訓(xùn)練后的模型具有以下特征：

系數(shù)數(shù) = 397，嵌入文件大小 = 2.52 Kb 。太酷了！這是一個(gè)非常小的模型！模型訓(xùn)練完成后，單擊“預(yù)測(cè)”選項(xiàng)卡，然后單擊“嵌入模型”旁邊的“下載”按鈕，下載我們將用于設(shè)備的模型庫文件。

第 2 步：嵌入 Raspberry Pico

下載模型文件后，就可以添加我們的自定義函數(shù)和操作了。我正在使用 Arduino IDE 對(duì) Raspberry Pico 進(jìn)行編程。

為 Raspberry Pico 設(shè)置 Arduino IDE：

我在本教程中使用了 Ubuntu，但相同的說明應(yīng)該適用于其他基于 Debian 的發(fā)行版，例如 Raspberry Pi OS。

1. 打開終端，使用 wget 下載官方 Pico 設(shè)置腳本。

2.在同一終端修改下載的文件，使其可執(zhí)行。

$ chmod +x pico_setup.sh

3.運(yùn)行 pico_setup.sh開始安裝過程。如果出現(xiàn)提示，請(qǐng)輸入您的 sudo 密碼。

$ ./pico_setup.sh

4.下載 Arduino IDE并將其安裝在您的機(jī)器上。

5. 打開終端并將您的用戶添加到“撥出”組，然后注銷或重新啟動(dòng)計(jì)算機(jī)以使更改生效。

$ sudo usermod -a -G dialout “$USER”

6.打開 Arduino 應(yīng)用程序并轉(zhuǎn)到 File >> Preferences 。在附加板的管理器中添加此行并單擊 OK 。

https://github.com/earlephilhower/arduino-pico/releases/download/global/package_rp2040_index.json

7.轉(zhuǎn)到工具>>板>>板管理器。在搜索框中輸入“pico”，然后安裝 Raspberry Pi Pico / RP2040 板。這將觸發(fā)另一個(gè)大下載，大小約為 300MB。

注意：由于我們要對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類，因此我們將使用 Neuton 提供的 CSV 實(shí)用程序?qū)νㄟ^ USB 發(fā)送到 MCU 的數(shù)據(jù)進(jìn)行推理。

這是我們的項(xiàng)目目錄，

user@desktop:~/Documents/Gearbox$ tree
.
├── application.c
├── application.h
├── checksum.c
├── checksum.h
├── Gearbox.ino
├── model
│   └── model.h
├── neuton.c
├── neuton.h
├── parser.c
├── parser.h
├── protocol.h
├── StatFunctions.c
├── StatFunctions.h

3 directories, 14 files
1 directory, 13 files

校驗(yàn)和、解析器程序文件用于使用 CSV 串行實(shí)用工具生成握手并將列數(shù)據(jù)發(fā)送到 Raspberry Pico 進(jìn)行推理。

了解Gearbox.ino文件中的代碼部分，我們?cè)O(shè)置了不同的回調(diào)來監(jiān)控 CPU、時(shí)間和推理時(shí)使用的內(nèi)存使用情況。

void setup() {
  Serial.begin(230400);
  while (!Serial);

  pinMode(LED_RED, OUTPUT);
  pinMode(LED_BLUE, OUTPUT);
  pinMode(LED_GREEN, OUTPUT);
  digitalWrite(LED_RED, LOW);
  digitalWrite(LED_BLUE, LOW);
  digitalWrite(LED_GREEN, LOW);
  
  callbacks.send_data = send_data;
  callbacks.on_dataset_sample = on_dataset_sample;
  callbacks.get_cpu_freq = get_cpu_freq;
  callbacks.get_time_report = get_time_report;

  init_failed = app_init(&callbacks);
}

真正的魔法發(fā)生在這里callbacks.on_dataset_sample=on_dataset_sample

static float* on_dataset_sample(float* inputs)
{
if (neuton_model_set_inputs(inputs) == 0)
{
uint16_t index;
float* outputs;
uint64_t start = micros();
if (neuton_model_run_inference(&index, &outputs) == 0)
{
uint64_t stop = micros();
uint64_t inference_time = stop - start;
if (inference_time > max_time)
max_time = inference_time;
if (inference_time < min_time)
min_time = inference_time;
static uint64_t nInferences = 0;
if (nInferences++ == 0)
{
avg_time = inference_time;
}
else
{
avg_time = (avg_time * nInferences + inference_time) / (nInferences + 1);
}
digitalWrite(LED_RED, LOW);
digitalWrite(LED_BLUE, LOW);
digitalWrite(LED_GREEN, LOW);
switch (index)
{
/**
Green Light means Gearbox Broken (10% load), Blue Light means Gearbox Broken (40% load), and Red Light means Gearbox Broken (90% load) based upon the CSV test dataset received via Serial.
**/
case 0:
//Serial.println("0: Healthy 10% load");
break;
case 1:
//Serial.println("1: Broken 10% load");
digitalWrite(LED_GREEN, HIGH);
break;
case 2:
//Serial.println("2: Healthy 40% load");
break;
case 3:
//Serial.println("3: Broken 40% load");
digitalWrite(LED_BLUE, HIGH);
break;
case 4:
//Serial.println("4: Healthy 90% load");
break;
case 5:
//Serial.println("5: Broken 90% load");
digitalWrite(LED_RED, HIGH);
break;
default:
break;
}
return outputs;
}
}
return NULL;
}

一旦輸入變量準(zhǔn)備就緒，就會(huì)調(diào)用 neuton_model_run_inference(&index, &outputs)來運(yùn)行推理并返回輸出。

安裝 CSV 數(shù)據(jù)集上傳實(shí)用程序（目前僅適用于 Linux 和 macOS）

• 安裝依賴，

# For Ubuntu
$ sudo apt install libuv1-dev gengetopt
# For macOS
$ brew install libuv gengetopt

• 克隆這個(gè) repo，

$ git clone https://github.com/Neuton-tinyML/dataset-uploader.git
$ cd dataset-uploader

• 運(yùn)行 make 構(gòu)建二進(jìn)制文件，

$ make

完成后，您可以嘗試運(yùn)行幫助命令，它應(yīng)該類似于下圖所示

user@desktop:~/dataset-uploader$ ./uploader -h

Usage: uploader [OPTION]...
Tool for upload CSV file MCU
  -h, --help                Print help and exit
  -V, --version             Print version and exit
  -i, --interface=STRING    interface  (possible values="udp", "serial"
                              default=`serial')
  -d, --dataset=STRING      Dataset file  (default=`./dataset.csv')
  -l, --listen-port=INT     Listen port  (default=`50000')
  -p, --send-port=INT       Send port  (default=`50005')
  -s, --serial-port=STRING  Serial port device  (default=`/dev/ttyACM0')
  -b, --baud-rate=INT       Baud rate  (possible values="9600", "115200",
                              "230400" default=`230400')
      --pause=INT           Pause before start  (default=`0')

第 3 步：在 Raspberry Pico 上運(yùn)行推理

在樹莓派上上傳程序，

上傳并運(yùn)行后，打開一個(gè)新終端并運(yùn)行以下命令：

$ ./uploader -s /dev/ttyACM0 -b 230400 -d /home/vil/Desktop/Gearbox_10_40_90_test.csv

推理已開始運(yùn)行，一旦完成整個(gè) CSV 數(shù)據(jù)集，它將打印完整的摘要。

>> Request performace report
Resource report:
       CPU freq: 125000000
    Flash usage: 2884
RAM usage total: 2715
      RAM usage: 2715
    UART buffer: 42

Performance report:
Sample calc time, avg: 44172.0 us
Sample calc time, min: 43721.0 us
Sample calc time, max: 44571.0 us

我也嘗試使用 TensorFlow 和 TensorFlow Lite 構(gòu)建相同的模型。我使用 Neuton TinyML 構(gòu)建的模型在準(zhǔn)確性方面比使用TF Lite構(gòu)建的模型要好4.3 % ，而在模型大小方面要小 15.3 倍。說到系數(shù)個(gè)數(shù)，TensorFlow的模型有9個(gè)，330個(gè)系數(shù)，而Neuton的模型只有397個(gè)系數(shù)（比TF小23.5倍?。?/font>。

生成的模型足跡和推理時(shí)間如下：

?

結(jié)論

本教程生動(dòng)地展示了 TinyML 技術(shù)可以為汽車行業(yè)帶來的巨大影響。您可以擁有幾乎為零的數(shù)據(jù)科學(xué)知識(shí)，但仍然可以快速構(gòu)建超緊湊的 ML 模型以有效解決實(shí)際挑戰(zhàn)。最棒的是，這一切都可以通過使用完全免費(fèi)的解決方案和超級(jí)便宜的 MCU 來實(shí)現(xiàn)！