1. 主页 > 物联网(iot)技术 >

通过LoRaWAN进行状态监测

物联网
 
    LoRaWAN的优势和劣势
 
    现在有多种不同的无线技术用于工业物联网项目中的传感器数据传输和状态监测。一些使用需要许可的频率,例如5G、4G、LTE-M或NB-IoT;其他人共享868MHz、2.4或5GHz范围内的免许可频段。例如,这些包括LoRaWAN、Mioty和WLAN。为特定任务选择最佳无线技术是一项复杂的任务,应尽可能在合适的专家的参与下完成。
 
    当关键因素变得特别重要时,LoRaWAN可能是一个不错的选择。这些因素包括具有不同建筑物的运营地点的广泛覆盖范围、基础设施和运营成本低、使用既定标准以及大量用户和提供商。然而,LoRaWAN不太适合传输大量数据,因为带宽低、相关的低数据传输速率以及868MHz范围内的占空比规定。因此,复杂的监控应用需要具有嵌入式AI算法的额外传感器。
 
    分类传感器信息
 
    原始输出过剩
 
    传统传感器通常以常规时间间隔将特定物理值作为输入,并在相同时间间隔内提供输出(例如电压、电阻或容量值)。根据传感器元件的工作原理及其相应的测量方法,可以在短时间内生成相对大量的数据。对于通过电容变化确定作用在测试质量上的惯性力的MEMS加速度计,根据带宽和加速度轴的数量,这可能是每秒几千字节。即使使用具有8×8像素的简单红外传感器阵列来测量一定距离内的表面和其他物体的温度,1Hz的刷新率仍然会产生每秒128字节的数据。
 
    在许多物联网应用中,合适的传输通道将数字传感器输出数据作为无尽的数据流传输到边缘计算机系统甚至云端进行分析。这种传感器到边缘或传感器到云的配置无处不在的原因是,针对各个目标平台已经存在功能强大、易于使用的软件运行环境,并且相应的传感器数据分析和评估解决方案也已经存在。已实施。然而,从效率的角度来看,此类解决方案存在问题:它们需要相当大的网络带宽,而且——尤其是在基于云的解决方案的情况下——通常还会产生相对较高的成本。更重要的是,由于延迟和可用性的原因,集中式传感器数据评估根本不可能完成一些时间关键任务。
 
    从输出到信息:数据分类
 
    这将我们带到了数据分类的主题。在工业自动化环境中,即机器和制造工厂的世界中,有无数应用程序使用特殊数据分析处理传感器的原始数据流并将其转换为分类。状态监测是这种分类实际应用的一个主要例子。它通常用于回答特定机器在给定时刻处于哪种状态的问题(例如,机器是等待指令、进行设置还是主动处理)。另一个例子是驱动组件的滑环组件的磨损状况,通过使用热成像图像进行评估(如图1所示,只有两种相关状态:正常或严重。)
 
    数据:图像/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201024%20556'%3E%3C/svg%3E
 
    图1:使用8x8红外传感器阵列每秒测量一次单个机器组件的热图像。相应的图像数据使用机器学习模型直接在传感器中进行二进制分类(状态正常或关键)。每个状态变化都通过LoRaWAN发送到监控系统。传感器具有基于BLE的服务接口,通过该接口将相应的ML模型加载到传感器中。(来源:SSV软件系统有限公司)
 
    传感器上的数据分析
 
    传统机器学习设计模式
 
    在云端或本地服务器中实施时,传统的机器学习应用程序使用强大的处理器,将大量电能转化为热量,因此需要特殊的电源和通风设计。它们对外部干扰相对敏感,因此只能部署在特别受保护的环境中。另一方面,传感器使用简单的微控制器,计算能力相对较低,程序和数据存储器相对较少,匹配的电源需求最小。这些适合作为TinyML运行时环境,用于在特定条件下进行状态监控。
 
    嵌入式机器学习和TinyML
 
    根据行业现状,准确状态分类所需的传感器数据分析也可以直接在传感器上进行。相关功能块属于总称“TinyML”。TinyML是指用于具有嵌入式微计算机系统的机器学习(ML)应用程序的方法和概念的集合。它包括算法和其他软件功能,以及硬件方面。
 
    目前,TinyML主要使用监督机器学习。这种ML方法包括两个步骤:模型构建和模型使用。在模型构建中,基于专门收集的数据和存储在文件中的模型生成ML模型。人工神经网络(ANN)使用加权参数来“学习”获取的数据与其分类之间的相关性。这个过程的计算量非常大,因此应该在云中或上述强大的本地服务器上进行。生成的模型可以根据具体情况针对几乎任何数学回归或分类任务。然而,其有效性的决定性因素是ANN从中学习相关性的捕获数据的质量。
 
    模型构建过程完成后,模型使用开始。使用TinyML方法,然后可以从模型文件创建用于数据分类的嵌入式系统应用程序,该文件可以直接在传感器中执行。使用此应用程序,可以定期分析传感器的输入数据。每个分析周期的结果是回归量(即依赖于输入数据的输出变量)或分类(例如特定的机器状态)。这种基于模型的ML分析过程也称为推理阶段。
 
    小型机器学习模型面临的挑战
 
    将原始传感器数据量减少到LoRaWAN使用的理想数量的关键组件是机器学习模型和推理功能。在每种情况下,这都需要一个合格的数据集,其中学习算法可以可靠地找到所需的相关性(例如,正常和临界状态的热图像)。对于学习过程和随后的推理阶段,必须指定一些参数,描述ANN本身和学习过程的优化方法等。
 
    学习过程完成后创建的模型必须在准确性方面进行测试(推理的错误率取决于它)。如有必要,可以使用修改后的参数重复建模过程,以最大限度地减少推理阶段的错误。一旦精度令人满意,模型就会转换为TinyML格式并集成到相应传感器的软件中以执行状态监测。
 
    为了通过示例向感兴趣的读者展示此过程所需的过程,红外热图像将作为示例数据以及适用的机器学习模型所需的Python代码(包括描述)发布在GitHub上,该代码可以使用开源库TensorFlow创建.为此不需要特殊的编程技能。

本文由网上采集发布,不代表我们立场,转载联系作者并注明出处:http://www.34iot.com//a/yingxiao/469.html

联系我们

在线咨询:点击这里给我发消息

微信号:weixin888

工作日:9:30-18:30,节假日休息