本文介紹如何使用NanoEdge AI Studio快速部署AI應用。

本應用的目的是透過馬達控制板的電流訊號，偵測風扇濾網的堵塞百分比。當風扇堵塞時，馬達電流訊號波型將有所不同，但利用傳統演算法偵測差異并不容易。因此，機器學習演算法便成為解決這個問題的絕隹選擇。

圖一 : 風扇堵塞示范

此范例可應用於空調濾網和吸塵器濾網堵塞偵測等類似情況，也可延伸應用於電動馬達的其他異常偵測。

硬體與軟體前置準備

圖二

P-NUCLEO-IHM03馬達控制套件用於驅動風扇，由NUCLEO-G431RB主板、馬達控制擴充板與無刷馬達所組成。

NanoEdge AI Studio則用於自動產生機器學習函式庫，并且整合至由STM32 Motor Control Workbench所產生的馬達控制軟體中。

利用NanoEdge AI Studio 尋找最隹AI函式庫

建立新專案

在主視窗中選擇「Anomaly Detection」，并建立新專案。

圖三

在「Project Settings」步驟中，需進行以下設定：

- Name：專案名稱

- Max RAM：使用者希??為AI函式庫配置之最大的RAM空間。Studio僅會在「Benchmark」步驟當中，利用這項硬體資源限制來搜尋AI函式庫。

- Max Flash：使用者希??為AI函式庫配置之最大 Flash 空間，與最大RAM相似。此選項僅會在選擇「Limit Flash」時啟用。

- Target：此專案的目標MCU或開發板。使用者可選擇STM32 MCU 、ISPU或STM32 MCU任一所對應的開發板。

- Sensor type：用於資料收集的感測器類型。此處采用的是內建於馬達控制板的電流感測器。

圖四

匯入訊號檔案

在接下來的兩個步驟（步驟 2 與步驟 3），需要匯入兩個訊號檔案，Studio將會提供格式說明，如圖五所示：

圖五

- 「Regular signals」 檔案對應的是風扇在正常運作下的行為，這些資料是在風扇濾網未堵塞時（如圖六所示）收集而得。

圖六

- 「Abnormal signals」檔案對應的是風扇異常的行為，這些資料是在風扇濾網完全堵塞時（如圖七所示）收集而得。

圖七

函式庫基準測試

在步驟 4 中，我們將啟動函式庫的「Benchmark」并進行監測。NanoEdge AI Studio會依據步驟 2 和步驟 3 所得之訊號，搜尋最隹且可用的AI函式庫。

首先，執行新的「Benchmark」基準測試，如圖八所示：

圖八

然後，選擇正常訊號和異常訊號，以及電腦在進行基準驗證時所使用的微處理器核心數量。

圖九

啟動「Benchmark」後便能即時監測候選AI函式庫的效能和以下效能指標的變化：

- 「Balanced accuracy」表示正確分類的數量與輸入樣本總數的比例。這是機器學習中最常用的評估指標之一。

- 「Confidence」 表示對結果的信心程度。正確分類的正樣本和負樣本之間的差距越大，信賴度就越高。

- 「RAM 」表示候選AI函式庫所需之RAM的大小。

- 「Flash」表示候選AI函式庫所需的 Flash 大小。

圖十

基準驗證完成後，會出現摘要畫面。這表示當AI函式庫內嵌至最終的硬體應用時，為取得最隹效能所需的最低學習次數。在此特定范例中，NanoEdge AI Studio建議應在偵測階段前，至少呼叫 learn() 函數 30 次來學習 30 個正常運作的訊號。

圖十一

透過模擬驗證函式庫

NanoEdge AI Studio也提供模擬器，無需撰寫任何嵌入式軟體便可協助使用者測試和驗證在「Benchmark」過程中所選取的AI函式庫，。

依照上一步驟建議，讓AI函式庫學習最低次數的正常訊號後，再執行偵測，藉以測試AI函式庫的行為是否符合預期。

如圖十二范例所示，100個訊號已學習完成，而即時訊號和先前學習之正常訊號相似度為 35%，這代表風扇有部分堵塞。

圖十二

函式庫部署與整合

當選取的AI函式庫經過驗證後，就可以進入最後一個步驟：「Deployment」，其中可針對AI函式庫進行編譯、下載及為用於嵌入式軟體做準備。

在編譯函式庫前，有數個編譯選擇可供使用。在此范例中需勾選「Float-abi」選項，才能支援浮點數資料作業。然後，按一下「COMPILE LIBRARY」即可下載NanoEdge AI函式庫。

圖十三

一個.zip壓縮檔案將會下載至電腦，其中包含了所有的相關文件、NanoEdge AI模擬器、靜態 AI函式庫和函式庫的標頭檔。此靜態函式庫可輕松整合至嵌入式軟體。

最後，在NanoEdge AI Studio的協助下，無需具備任何 AI 專業知識，只需幾個簡單步驟，就能快速部署 AI 應用。