Hagnaður:
- Geta til að smíða samruna rökfræði (integrator/Kalman sía) sem sameinar IMU, kóðara og fjarlægðarskynjaragögn með gervigreind
- Geta til að stilla og túlka MQTT-undirstaða IoT gagnastrauma og fjarmælingar með hjálp gervigreindar
- Geta til að greina og leiðrétta skynjara hávaða, kvörðun og tímasamstillingarvandamál í gervigreindarúttakinu
Enginn skynjari er fullkominn. Gíróspáinn er mjög nákvæmur til skamms tíma, en svífur með tímanum. Hröðunarmælirinn er stöðugur til lengri tíma litið en fær hávaða frá titringi. Kóðarinn mælir staðsetninguna nákvæmlega, en hún er röng þegar það er skriður. GPS virkar á breiðu svæði en er lág tíðni og hávær. Mekatronics verkfræðingurinn þarf að framleiða einn, áreiðanlegan sannleika úr þessum ófullkomnu skynjurum; Þetta er skynjarasamruni. Þar að auki, í nútíma kerfum, eru þessi gögn ekki aðeins staðbundin, heldur streyma þau til skýja og stjórnstöðva í gegnum IoT net. Gervigreind er öflugt hjálpartæki bæði við að setja upp samruna reiknirit og stilla og túlka IoT fjarmælingar. Í þessari einingu förum við yfir viðbótarsíuna, Kalman síurökfræðina og hvernig á að setja upp MQTT byggt IoT flæði með gervigreind og grípa hávaða og samstillingargildrur.
Af hverju Sensor Fusion?
Sérhver skynjari hefur „gott tíðnisvæði“. Tilgangur samruna er að nota hvern skynjara á því svæði þar sem hann er sterkur og styðja hann við hinn á svæðinu þar sem hann er veikur.
skynjari
sterkur punktur
veikleiki
gyroscope
Skammtíma hornhraði, hröð svörun
Svíf með tímanum
hröðunarmælir
Langtíma hallaviðmiðun (þyngdarafl)
Titringur/hávaði við hreyfingu
kóðara
Staðsetning í mikilli upplausn
Slip/backlash villa
GPS
alger staða
Lág tíðni, hávaði, engin innandyra
Að treysta á einn skynjara kynnir veikleika þess skynjara inn í kerfið. Fusion, til dæmis, sameinar hraða en svífandi horn gyroscope við hæga en stöðuga viðmiðun hröðunarmælisins, sem gefur horn sem er bæði hratt og reklaust.
Viðbótarsía
Einfaldasta og algengasta samruninn er viðbótarsían. Hugmyndin er leiðandi: treystu gyroscope á hátíðni (hröð breyting), hröðunarmælinum á lágri tíðni (hægt, stöðugt). Ein lína samantekt:
# Viðbótarsía: sársaukamat (pitch) # alfa ~ 0,98 : meira í gyroscope, minna í hröðunarmæli (gráður/sek) acceleration_ange : horn reiknað út frá hröðunarmæli (gráðum) dt : sýnatökutímabil (sek) """ gyro_pac = fyrri + gyro_spec # integrate * d gyro_spet gyro_pace + (1 - alfa) * acceleration_angle# Staðfestingarrökfræði: hreint gíróspáp (rekur) ef alfa=1, # ef alfa=0 hreint hröðunarmælir (hávaðasamt).
Stuðullinn alfa hér ákvarðar jafnvægið: ef hann er nálægt 1, þá treystir hann á gyroscope (hætta á reki eykst), ef hann er nálægt 0, byggir hann á hröðunarmælinum (hávaði eykst). Dæmigert gildi er 0,95–0,98. Gervigreind gæti stungið upp á þessu gildi, en rétt alfa fer eftir sýnishraða kerfisins og hávaðaeiginleika; er sett í tilraunaskyni.
Ábending: Þegar þú prentar innbyggða síu í gervigreind, vertu viss um að spyrja hvernig dt er mælt. Flestar villur koma frá því að gera ráð fyrir að dt sé stöðugt en í raun er hringrásartíminn breytilegur. Mældu dt real með millis()/timestamp, ekki skrifa fasta.
Kalman Filter Logic
Viðbótarsían er einföld en sýnir ekki hávaðatölfræði. Kalman sían framleiðir ákjósanlegt (undir ákveðnum forsendum) mati með því að reikna út skynjarahávaða og vinnsluóvissu. Það virkar í tveimur skrefum:
- Spá: Spáðu fyrir um næstu stöðu og óvissu hennar með kerfislíkaninu.
- Uppfærsla: Vigið nýju mælinguna á móti mælingaráreiðanleika (Kalman hagnaður) og leiðréttið matið.
Kalman gain K svarar sjálfkrafa spurningunni „á ég að treysta mælingunni eða líkaninu betur“ í hverju skrefi. Ef mælingarhávaði er mikill verður K minna (traust á líkanið), ef ferlióvissa er mikil verður K stærra (traust á mælingu). AI skrifar auðveldlega einvíddar Kalman síu; en það er þitt hlutverk að velja samvarin hávaða (`Q`, `R`) rétt og þau koma frá raunverulegum hávaða kerfisins.
Athugið: Q (ferlishljóð) og R (mælingarhávaði) gildi sem gefin eru af gervigreind eru sýnishorn / staðgengill. Ef þú ákveður þetta ekki út frá raunverulegum mælihljóði kerfisins (t.d. dreifni sem mælist þegar skynjarinn er kyrrstæður) verður sían annað hvort of hæg eða of hávær. Treystu ekki samdreifunum sem gefin eru af gervigreindinni sem „sanna gildi“.
IoT gagnastraumur: MQTT og fjarmæling
Hreinu gögnin sem þú framleiðir með samruna eru venjulega flutt til miðstöðvarinnar í gegnum IoT net. Algengasta samskiptareglan í greininni er MQTT: létt, birta-áskrifandi líkan, hentugur fyrir litla bandbreidd. AI kemur fljótt á MQTT útgefanda/áskrifendakóða og JSON fjarmælingakerfi.
flyttu inn json, timeimport paho.mqtt.client sem mqttclient = mqtt.Client()client.connect("broker.local", 1883, keepalive=60)def telemetry_broadcast(hitastig, hitastig, titringur_rms): skilaboð = { "ts": time.time(), # samstillingu" -- ástand fyrir deyfingu" -- ástand fyrir deyfing_2. "temperature_c": round(hitastig, 1), "vibration_rms": round(hitastig_rms, 3), "unit": {"pain": "deg", "hitastig": "C", "vibration": "mm/s"} } client.publish("machine/line1/sensor", json.qos=1) Notkun qos=0 (getur glatast) á mikilvægum gögnum.
Tvær verkfræðilegar ákvarðanir eru mikilvægar hér: (1) tímastimplun (ts) hvert skeyti—sýnishorn af mismunandi skynjurum er tekið á mismunandi tímum, samstilling er aðeins möguleg með tímastimplun; (2) QoS stig - mikilvæg gögn nota að minnsta kosti qos=1 (afhent að minnsta kosti einu sinni), qos=0 leyfir skilaboðamissi.
Hávaði, kvörðun og samstilling
Sama hversu góður samruninn er, þrjú vandamál við inntakið skekkja niðurstöðuna:
- Hávaði: Ef hrá skynjaragögn fara í samruna án þess að vera síuð verður samrunaúttakið einnig hávær. Forsíun (miðgildi, lágpassi) gæti verið nauðsynleg.
- Kvörðun: Frávik og mælikvarðaskekkjur (t.d. núllpunktur hröðunarmælisins er færður til) villa kerfisbundið samrunann. Skynjara verður að kvarða fyrir notkun.
- Tímasamstilling: Tímastimplun og innskot eru nauðsynleg til að samræma skynjara sem tekin eru sýni á mismunandi hraða (t.d. 10 Hz GPS með 1 kHz IMU).
Gervigreind getur bætt þessum skrefum við kóðann, en hvort þess sé krafist og breytur þess séu sértækar fyrir kerfið þitt. Í gervigreindarúttakinu "hvar er kvörðunin?" og "eru tímastimpillarnir samræmdir?" Vertu viss um að spyrja spurninga.
Veik kvaðning / sterk kvaðning
WEAK:"Reiknaðu horn út frá IMU gögnum."(Hvaða sía? Er reki meðhöndlað? Hvernig dt? Óljóst.)STERKT:"Samana hröðunarmæli og gyroscope gögn frá MPU6050 með samþættri síu og meta hallahorn. Reiknaðu dt frá rauntímastimpli, ekki gera ráð fyrir stöðugum. Stilltu alfa sem færibreytu.98). skrifaðu sem flokk, haltu fyrra sjónarhorni, bættu við valfrjálsu miðgildi forsíu fyrir hávaða."
Mini Case
Vélfærafræðiverkfræðingur Selin vill fá viðbótarsíu frá gervigreind til að meta horn á tveggja hjóla jafnvægisvélmenni. Gervigreindin gefur hreinan kóða en vélmennið hallar sér hægt til hliðar. Selin athugar dt: kóðinn gerir ráð fyrir að dt sé stöðugt 0,01 s, en hringrásartíminn er breytilegur vegna Bluetooth fjarmælinga. Þegar dt er reiknað út frá rauntímastimplinum minnkar rekið en hverfur ekki alveg. Svo horfir hann á kvörðun hröðunarmælisins; Jafnvel þegar skynjarinn er kyrrstæður er 2° frávik. Þegar ég fjarlægi kvörðunarjöfnunina stendur vélmennið upprétt. Að lokum tekur það eftir því að það notar qos=0 þegar það sendir út fjarmælingar í gegnum MQTT og eykur það í qos=1 fyrir mikilvæg horngögn. AI afhenti samruna beinagrind á nokkrum mínútum; en sannprófun verkfræðingsins náði þremur kerfissértækum vandamálum: breytu dt, kvörðunarjöfnun og QoS.
Algeng mistök
- Að því gefnu að dt sé stöðugt, en hringrásartíminn er breytilegur (samruni rekur).
- Að bræða skynjara án þess að kvarða þá (kerfisbundin offset).
- Reynt að samræma skynjara á mismunandi hraða án tímastimplunar.
- Farið með úrtaksgildi gervigreindarinnar án þess að mæla Kalman Q/R samdreifni frá raunverulegum hávaða.
- Leyfa tap á skilaboðum með því að nota qos=0 á mikilvægum IoT gögnum.
- Að gefa hrá hávær gögn til samruna án forsíunar.
Í stuttu máli
- Fusion notar hvern skynjara á tíðnisvæðinu þar sem hann er sterkur og bætir upp veikleika hans.
- Komplementsían er einföld; Komur á jafnvægi gyroscope-accelerometer með alfa.
- Kalman síunarlíkön hávaða líklega; Q/R kemur frá raunverulegu kerfinu.
- Í MQTT fjarmælingum eru tímastimplun og viðeigandi QoS mikilvægar verkfræðilegar ákvarðanir.
- Hávaði, kvörðun og tímasamstilling ákvarða gæði samruna.
- dt er mælt frá rauntíma; kvörðun og QoS eru staðfest án þess að skilja það eftir til gervigreindar.
Umsóknarverkefni
Fyrir IMU (raunverulegt eða hermt gyro + hröðunarmælisgögn) láttu gervigreindina búa til samþættu síuna og ganga úr skugga um að dt sé reiknað út frá rauntímastimplinum. Síðan: (1) prófaðu alfa fyrir 0.90, 0.98 og 1.0 og fylgstu með reki og hávaðajafnvægi, (2) bættu viljandi föstum offset (kvörðunarvillu) við skynjarann og sjáðu hvernig samrunaúttakið rekur, (3) umbreyttu gögnunum í MQTT JSON skema og bættu við tímastimpli og einingareitum. Athugaðu hvaða alfagildi gefur mest jafnvægi fyrir gögnin þín og hversu mikið kvörðunarjöfnunin skekkir úttakið.