描述

是否有可能在一個簡單的 4 美元 MCU 上制作一個人工智能驅動的系統來預測變速箱故障？如何自動構建不需要任何額外壓縮的緊湊模型？非數據科學家能否成功實施此類項目？

我將在我的新項目中回答所有這些問題。

介紹和業務約束

在工業（例如，風力發電、汽車）中，變速箱通常在隨機速度變化下運行。狀態監測系統有望檢測故障、斷齒狀態，并使用在不同速度曲線下收集的振動信號評估其嚴重程度。

現代汽車有數十萬個細節和系統，需要預測故障、控制溫度、壓力等狀態。因此，在汽車行業，創建和嵌入能夠正常運行的 TinyML 模型至關重要在傳感器上開辟了一系列技術優勢，例如：

• 互聯網獨立
• 在數據傳輸上不浪費能源和金錢
• 高級隱私和安全性

在我的實驗中，我想展示如何輕松創建這樣的技術原型，以普及 TinyML 方法并將其令人難以置信的功能用于汽車行業。

使用的技術

• Neuton TinyML：Neuton，我選擇了這個解決方案，因為它可以免費使用，并且可以自動創建微型機器學習模型，甚至可以部署在 8 位 MCU 上。根據 Neuton 開發人員的說法，您可以在一次迭代中創建一個緊湊的模型，而無需壓縮。
• Raspberry Pi Pico：該芯片采用兩個 ARM Cortex-M0 + 內核，133 兆赫，安裝在芯片上時還與 256 KB 的 RAM 配對。該器件支持高達 16 MB 的片外閃存，具有一個 DMA 控制器，包括兩個 UART 和兩個 SPI，以及兩個 I2C 和一個 USB 1.1 控制器。該器件接收16個PWM通道和30個GPIO針，其中4個適合模擬數據輸入。并帶有4 美元的凈價格標簽。

讓我們構建它

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

數據集描述

變速箱故障診斷數據集包括使用 SpectraQuest 的變速箱故障診斷模擬器記錄的振動數據集。

數據集已使用 4 個振動傳感器記錄在四個不同的方向上，并在從“0”到“90”% 的負載變化下。包括兩種不同的情況：1) 健康狀況2) 斷牙狀況

總共有 20 個文件，10 個用于健康的變速箱，10 個用于損壞的變速箱。每個文件對應于從 0% 到 90% 的給定負載，步長為 10%。

該實驗將在 4 美元的 MCU 上進行，沒有云計算碳足跡 :)

第 1 步：模型訓練

對于模型訓練，我將使用免費平臺 Neuton TinyML。創建解決方案后，繼續上傳數據集（請記住，當前支持的格式僅為 CSV）。

是時候為每個預測選擇目標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'

由于數據集是一個振動，我們需要在訓練模型之前準備好數據。為此，我選擇設置數字信號處理 (DSP)。

數字信號處理 (DSP)選項支持對來自陀螺儀、加速度計、磁力計、肌電圖 (EMG) 等的數據進行自動預處理和特征提取。Neuton 將自動轉換原始數據并提取其他特征，以創建用于信號分類的精確模型。

對于此模型，我們使用準確度作為指標（但您可以試驗所有可用指標）。

在訓練模型時，您可以查看數據處理完成后生成的探索性數據分析，查看以下視頻：

我的目標指標是：準確度 0.921372 ，訓練后的模型具有以下特征：

系數數 = 397，嵌入文件大小 = 2.52 Kb 。太酷了！這是一個非常小的模型！模型訓練完成后，單擊“預測”選項卡，然后單擊“嵌入模型”旁邊的“下載”按鈕，下載我們將用于設備的模型庫文件。

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和操作了。我正在使用 Arduino IDE 對 Raspberry Pico 進行編程。

為 Raspberry Pico 設置 Arduino IDE：

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

1. 打開終端，使用 wget 下載官方 Pico 設置腳本。

2.在同一終端修改下載的文件，使其可執行。

$ chmod +x pico_setup.sh

3.運行 pico_setup.sh開始安裝過程。如果出現提示，請輸入您的 sudo 密碼。

$ ./pico_setup.sh

4.下載 Arduino IDE并將其安裝在您的機器上。

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計算機以使更改生效。

$ sudo usermod -a -G dialout “$USER”

6.打開 Arduino 應用程序并轉到 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。這將觸發另一個大下載，大小約為 300MB。

注意：由于我們要對測試數據集進行分類，因此我們將使用 Neuton 提供的 CSV 實用程序對通過 USB 發送到 MCU 的數據進行推理。

這是我們的項目目錄，

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

校驗和、解析器程序文件用于使用 CSV 串行實用工具生成握手并將列數據發送到 Raspberry Pico 進行推理。

了解Gearbox.ino文件中的代碼部分，我們設置了不同的回調來監控 CPU、時間和推理時使用的內存使用情況。

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;
}

一旦輸入變量準備就緒，就會調用 neuton_model_run_inference(&index, &outputs)來運行推理并返回輸出。

安裝 CSV 數據集上傳實用程序（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 repo，

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

• 運行 make 構建二進制文件，

$ make

完成后，您可以嘗試運行幫助命令，它應該類似于下圖所示

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 上運行推理

在樹莓派上上傳程序，

上傳并運行后，打開一個新終端并運行以下命令：

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

推理已開始運行，一旦完成整個 CSV 數據集，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 構建相同的模型。我使用 Neuton TinyML 構建的模型在準確性方面比使用TF Lite構建的模型要好4.3 % ，而在模型大小方面要小 15.3 倍。說到系數個數，TensorFlow的模型有9個，330個系數，而Neuton的模型只有397個系數（比TF小23.5倍！）。

生成的模型足跡和推理時間如下：

結論

本教程生動地展示了 TinyML 技術可以為汽車行業帶來的巨大影響。您可以擁有幾乎為零的數據科學知識，但仍然可以快速構建超緊湊的 ML 模型以有效解決實際挑戰。最棒的是，這一切都可以通過使用完全免費的解決方案和超級便宜的 MCU 來實現！