ಸಂವೇದಕ ಫ್ಯೂಷನ್ ಮತ್ತು IoT ಡೇಟಾ ಇಂಟಿಗ್ರೇಷನ್

ಲಾಭಗಳು:

• IMU, ಎನ್‌ಕೋಡರ್ ಮತ್ತು ದೂರ ಸಂವೇದಕ ಡೇಟಾವನ್ನು AI ಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಫ್ಯೂಷನ್ ಲಾಜಿಕ್ (ಇಂಟಿಗ್ರೇಟರ್/ಕಲ್ಮನ್ ಫಿಲ್ಟರ್) ನಿರ್ಮಿಸುವ ಸಾಮರ್ಥ್ಯ
• AI ಸಹಾಯದಿಂದ MQTT ಆಧಾರಿತ IoT ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳು ಮತ್ತು ಟೆಲಿಮೆಟ್ರಿಯನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡುವ ಮತ್ತು ಅರ್ಥೈಸುವ ಸಾಮರ್ಥ್ಯ
• AI ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಸಂವೇದಕ ಶಬ್ದ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಸಮಯ ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಮತ್ತು ಸರಿಪಡಿಸುವ ಸಾಮರ್ಥ್ಯ

ಯಾವುದೇ ಸಂವೇದಕವು ಪರಿಪೂರ್ಣವಾಗಿಲ್ಲ. ಗೈರೊಸ್ಕೋಪ್ ಅಲ್ಪಾವಧಿಯಲ್ಲಿ ಬಹಳ ನಿಖರವಾಗಿದೆ, ಆದರೆ ಕಾಲಾನಂತರದಲ್ಲಿ ಚಲಿಸುತ್ತದೆ. ಅಕ್ಸೆಲೆರೊಮೀಟರ್ ದೀರ್ಘಾವಧಿಯಲ್ಲಿ ಸ್ಥಿರವಾಗಿರುತ್ತದೆ ಆದರೆ ಕಂಪನದಿಂದ ಶಬ್ದವನ್ನು ಪಡೆಯುತ್ತದೆ. ಎನ್ಕೋಡರ್ ಸ್ಥಾನವನ್ನು ನಿಖರವಾಗಿ ಅಳೆಯುತ್ತದೆ, ಆದರೆ ಸ್ಲಿಪ್ ಇದ್ದಾಗ ಅದು ತಪ್ಪಾಗಿದೆ. GPS ವಿಶಾಲ ಪ್ರದೇಶದಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಆದರೆ ಕಡಿಮೆ ಆವರ್ತನ ಮತ್ತು ಗದ್ದಲದ ಆಗಿದೆ. ಮೆಕಾಟ್ರಾನಿಕ್ಸ್ ಇಂಜಿನಿಯರ್ ಈ ಅಪೂರ್ಣ ಸಂವೇದಕಗಳಿಂದ ಏಕೈಕ, ವಿಶ್ವಾಸಾರ್ಹ ಸತ್ಯವನ್ನು ಉತ್ಪಾದಿಸಬೇಕು; ಇದು ಸಂವೇದಕ ಸಮ್ಮಿಳನ. ಇದಲ್ಲದೆ, ಆಧುನಿಕ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, ಈ ಡೇಟಾವು ಸ್ಥಳೀಯವಾಗಿ ಉಳಿಯುವುದಿಲ್ಲ, ಆದರೆ IoT ನೆಟ್ವರ್ಕ್ಗಳ ಮೂಲಕ ಕ್ಲೌಡ್ ಮತ್ತು ನಿಯಂತ್ರಣ ಕೇಂದ್ರಗಳಿಗೆ ಹರಿಯುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಫ್ಯೂಷನ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಹೊಂದಿಸಲು ಮತ್ತು IoT ಟೆಲಿಮೆಟ್ರಿಯನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಲು ಮತ್ತು ವ್ಯಾಖ್ಯಾನಿಸಲು ಪ್ರಬಲ ಸಹಾಯವಾಗಿದೆ. ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಪೂರಕ ಫಿಲ್ಟರ್, ಕಲ್ಮನ್ ಫಿಲ್ಟರ್ ತರ್ಕ ಮತ್ತು AI ಜೊತೆಗೆ MQTT-ಆಧಾರಿತ IoT ಹರಿವನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು ಮತ್ತು ಶಬ್ದ ಮತ್ತು ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಟ್ರ್ಯಾಪ್‌ಗಳನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು.

ಸೆನ್ಸರ್ ಫ್ಯೂಷನ್ ಏಕೆ?

ಪ್ರತಿ ಸಂವೇದಕವು "ಉತ್ತಮ ಆವರ್ತನ ವಲಯ" ಹೊಂದಿದೆ. ಸಮ್ಮಿಳನದ ಉದ್ದೇಶವು ಪ್ರತಿ ಸಂವೇದಕವನ್ನು ಅದು ಪ್ರಬಲವಾಗಿರುವ ಪ್ರದೇಶದಲ್ಲಿ ಬಳಸುವುದು ಮತ್ತು ದುರ್ಬಲವಾಗಿರುವ ಪ್ರದೇಶದಲ್ಲಿ ಇನ್ನೊಂದನ್ನು ಬೆಂಬಲಿಸುವುದು.

ಸಂವೇದಕ

ಬಲವಾದ ಬಿಂದು

ದೌರ್ಬಲ್ಯ

ಗೈರೊಸ್ಕೋಪ್

ಅಲ್ಪಾವಧಿಯ ಕೋನೀಯ ವೇಗ, ವೇಗದ ಪ್ರತಿಕ್ರಿಯೆ

ಕಾಲಾನಂತರದಲ್ಲಿ ಡ್ರಿಫ್ಟ್

ವೇಗವರ್ಧಕ

ದೀರ್ಘಾವಧಿಯ ಇಳಿಜಾರಿನ ಉಲ್ಲೇಖ (ಗುರುತ್ವಾಕರ್ಷಣೆ)

ಚಲನೆಯ ಮೇಲೆ ಕಂಪನ / ಗದ್ದಲ

ಎನ್ಕೋಡರ್

ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಸ್ಥಳ

ಸ್ಲಿಪ್/ಹಿಂಬದಿ ದೋಷ

ಜಿಪಿಎಸ್

ಸಂಪೂರ್ಣ ಸ್ಥಾನ

ಕಡಿಮೆ ಆವರ್ತನ, ಶಬ್ದ, ಒಳಾಂಗಣ ಇಲ್ಲ

ಒಂದೇ ಸಂವೇದಕವನ್ನು ಅವಲಂಬಿಸುವುದರಿಂದ ಆ ಸಂವೇದಕದ ದೌರ್ಬಲ್ಯವನ್ನು ಸಿಸ್ಟಮ್‌ಗೆ ಪರಿಚಯಿಸುತ್ತದೆ. ಫ್ಯೂಷನ್, ಉದಾಹರಣೆಗೆ, ಗೈರೊಸ್ಕೋಪ್‌ನ ವೇಗವಾದ ಆದರೆ ಡ್ರಿಫ್ಟಿಂಗ್ ಕೋನವನ್ನು ವೇಗವರ್ಧಕದ ನಿಧಾನವಾದ ಆದರೆ ಸ್ಥಿರವಾದ ಉಲ್ಲೇಖದೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ, ಇದು ವೇಗವಾದ ಮತ್ತು ಡ್ರಿಫ್ಟ್-ಮುಕ್ತವಾದ ಕೋನವನ್ನು ನೀಡುತ್ತದೆ.

ಪೂರಕ ಫಿಲ್ಟರ್

ಸರಳ ಮತ್ತು ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ಸಮ್ಮಿಳನವು ಪೂರಕ ಫಿಲ್ಟರ್ ಆಗಿದೆ. ಕಲ್ಪನೆಯು ಅರ್ಥಗರ್ಭಿತವಾಗಿದೆ: ಹೆಚ್ಚಿನ ಆವರ್ತನದಲ್ಲಿ ಗೈರೊಸ್ಕೋಪ್ ಅನ್ನು ನಂಬಿರಿ (ವೇಗದ ಬದಲಾವಣೆ), ಕಡಿಮೆ ಆವರ್ತನದಲ್ಲಿ ಅಕ್ಸೆಲೆರೊಮೀಟರ್ (ನಿಧಾನ, ಸ್ಥಿರ). ಒಂದು ಸಾಲಿನ ಸಾರಾಂಶ:

# ಪೂರಕ ಫಿಲ್ಟರ್: ನೋವಿನ ಅಂದಾಜು (ಪಿಚ್) # ಆಲ್ಫಾ ~ 0.98 : ಗೈರೊಸ್ಕೋಪ್‌ಗೆ ಹೆಚ್ಚು, ವೇಗವರ್ಧಕಕ್ಕೆ ಕಡಿಮೆ (ಡಿಗ್ರಿ/ಸೆಕೆಂಡ್) ವೇಗೋತ್ಕರ್ಷದ_ಅಂಚು : ವೇಗವರ್ಧಕದಿಂದ (ಡಿಗ್ರಿಗಳು) ಲೆಕ್ಕಹಾಕಿದ ಕೋನ dt : ಮಾದರಿ ಅವಧಿ (ಸೆಕೆಂಡು) ""_" ಹಿಂದಿನ + gyro_pacte ನಲ್ಲಿ ಗೈರೊಸ್ಕೋಪ್ ರಿಟರ್ನ್ ಆಲ್ಫಾ * ಗೈರೊ_ಪೇಸ್ + (1 - ಆಲ್ಫಾ) * ವೇಗವರ್ಧನೆ_ಕೋನ# ಪರಿಶೀಲನಾ ತರ್ಕ: ಆಲ್ಫಾ = 1 ಆಗಿದ್ದರೆ ಶುದ್ಧ ಗೈರೊಸ್ಕೋಪ್ (ಡ್ರಿಫ್ಟ್‌ಗಳು), # ಆಲ್ಫಾ = 0 ಶುದ್ಧ ವೇಗವರ್ಧಕ (ಗದ್ದಲದ) ಎರಡನ್ನು ಸಮತೋಲನಗೊಳಿಸುತ್ತದೆ.

ಇಲ್ಲಿ ಗುಣಾಂಕ ಆಲ್ಫಾ ಸಮತೋಲನವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ: ಅದು 1 ಕ್ಕೆ ಸಮೀಪದಲ್ಲಿದ್ದರೆ, ಅದು ಗೈರೊಸ್ಕೋಪ್ ಅನ್ನು ಅವಲಂಬಿಸಿದೆ (ಡ್ರಿಫ್ಟ್ ಹೆಚ್ಚಳದ ಅಪಾಯ), ಅದು 0 ಗೆ ಹತ್ತಿರವಾಗಿದ್ದರೆ, ಅದು ವೇಗವರ್ಧಕವನ್ನು ಅವಲಂಬಿಸಿದೆ (ಶಬ್ದ ಹೆಚ್ಚಾಗುತ್ತದೆ). ವಿಶಿಷ್ಟ ಮೌಲ್ಯವು 0.95-0.98 ಆಗಿದೆ. AI ಈ ಮೌಲ್ಯವನ್ನು ಸೂಚಿಸಬಹುದು, ಆದರೆ ಸರಿಯಾದ ಆಲ್ಫಾವು ನಿಮ್ಮ ಸಿಸ್ಟಂನ ಮಾದರಿ ದರ ಮತ್ತು ಶಬ್ದದ ಪಾತ್ರವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ; ಪ್ರಾಯೋಗಿಕವಾಗಿ ಹೊಂದಿಸಲಾಗಿದೆ.

ಸಲಹೆ: AI ಗೆ ಅವಿಭಾಜ್ಯ ಫಿಲ್ಟರ್ ಅನ್ನು ಮುದ್ರಿಸುವಾಗ, dt ಅನ್ನು ಹೇಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ ಎಂದು ಕೇಳಲು ಮರೆಯದಿರಿ. ಹೆಚ್ಚಿನ ದೋಷಗಳು dt ಸ್ಥಿರವಾಗಿದೆ ಎಂದು ಭಾವಿಸುವುದರಿಂದ ಬರುತ್ತವೆ ಆದರೆ ವಾಸ್ತವದಲ್ಲಿ ಚಕ್ರದ ಸಮಯ ಬದಲಾಗುತ್ತದೆ. ಮಿಲಿಸ್()/ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್‌ನೊಂದಿಗೆ ಡಿಟಿ ರಿಯಲ್ ಅನ್ನು ಅಳೆಯಿರಿ, ಸ್ಥಿರಾಂಕಗಳನ್ನು ಬರೆಯಬೇಡಿ.

ಕಲ್ಮನ್ ಫಿಲ್ಟರ್ ಲಾಜಿಕ್

ಪೂರಕ ಫಿಲ್ಟರ್ ಸರಳವಾಗಿದೆ ಆದರೆ ಶಬ್ದ ಅಂಕಿಅಂಶಗಳನ್ನು ರೂಪಿಸುವುದಿಲ್ಲ. ಸಂವೇದಕ ಶಬ್ದ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಸಂಭವನೀಯವಾಗಿ ಮಾಡೆಲಿಂಗ್ ಮಾಡುವ ಮೂಲಕ ಕಲ್ಮನ್ ಫಿಲ್ಟರ್ ಅತ್ಯುತ್ತಮವಾದ (ಕೆಲವು ಊಹೆಗಳ ಅಡಿಯಲ್ಲಿ) ಅಂದಾಜನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಇದು ಎರಡು ಹಂತಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ:

1. ಊಹಿಸಿ: ಸಿಸ್ಟಮ್ ಮಾದರಿಯೊಂದಿಗೆ ಮುಂದಿನ ಪರಿಸ್ಥಿತಿ ಮತ್ತು ಅದರ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಊಹಿಸಿ.
2. ನವೀಕರಿಸಿ: ಮಾಪನದ ವಿಶ್ವಾಸಾರ್ಹತೆಗೆ (ಕಲ್ಮನ್ ಗೇನ್) ವಿರುದ್ಧ ಹೊಸ ಮಾಪನವನ್ನು ತೂಕ ಮಾಡಿ ಮತ್ತು ಅಂದಾಜನ್ನು ಸರಿಪಡಿಸಿ.

ಪ್ರತಿ ಹಂತದಲ್ಲೂ "ನಾನು ಅಳತೆ ಅಥವಾ ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ನಂಬಬೇಕೇ" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಕಲ್ಮನ್ ಗೇನ್ ಕೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಉತ್ತರಿಸುತ್ತದೆ. ಮಾಪನದ ಶಬ್ದವು ದೊಡ್ಡದಾಗಿದ್ದರೆ, ಕೆ ಚಿಕ್ಕದಾಗುತ್ತದೆ (ಮಾದರಿಯಲ್ಲಿ ವಿಶ್ವಾಸ), ಪ್ರಕ್ರಿಯೆಯ ಅನಿಶ್ಚಿತತೆ ದೊಡ್ಡದಾಗಿದ್ದರೆ, ಕೆ ದೊಡ್ಡದಾಗುತ್ತದೆ (ಮಾಪನದಲ್ಲಿ ವಿಶ್ವಾಸ). AI ಸುಲಭವಾಗಿ ಒಂದು ಆಯಾಮದ ಕಲ್ಮನ್ ಫಿಲ್ಟರ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ; ಆದರೆ ಶಬ್ದ ಕೋವೇರಿಯನ್ಸ್‌ಗಳನ್ನು (`Q`, `R`) ಸರಿಯಾಗಿ ಆಯ್ಕೆ ಮಾಡುವುದು ನಿಮ್ಮ ಕೆಲಸ ಮತ್ತು ಅವು ಸಿಸ್ಟಮ್‌ನ ನಿಜವಾದ ಶಬ್ದದಿಂದ ಬರುತ್ತವೆ.

ಗಮನ: AI ನೀಡಿದ Q (ಪ್ರಕ್ರಿಯೆಯ ಶಬ್ದ) ಮತ್ತು R (ಮಾಪನ ಶಬ್ದ) ಮೌಲ್ಯಗಳು ಮಾದರಿ/ಪ್ಲೇಸ್‌ಹೋಲ್ಡರ್. ಸಿಸ್ಟಂನ ನಿಜವಾದ ಮಾಪನ ಶಬ್ದದಿಂದ ನೀವು ಇದನ್ನು ನಿರ್ಧರಿಸದಿದ್ದರೆ (ಉದಾ. ಸಂವೇದಕವು ನಿಶ್ಚಲವಾಗಿರುವಾಗ ಅಳೆಯಲಾದ ವ್ಯತ್ಯಾಸ), ಫಿಲ್ಟರ್ ತುಂಬಾ ನಿಧಾನವಾಗಿರುತ್ತದೆ ಅಥವಾ ತುಂಬಾ ಗದ್ದಲವಾಗಿರುತ್ತದೆ. AI ನೀಡಿದ ಸಹವರ್ತಿಗಳನ್ನು "ನಿಜವಾದ ಮೌಲ್ಯ" ಎಂದು ನಂಬಬೇಡಿ.

IoT ಡೇಟಾ ಸ್ಟ್ರೀಮ್: MQTT ಮತ್ತು ಟೆಲಿಮೆಟ್ರಿ

ಸಮ್ಮಿಳನದೊಂದಿಗೆ ನೀವು ಉತ್ಪಾದಿಸುವ ಕ್ಲೀನ್ ಡೇಟಾವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ IoT ನೆಟ್ವರ್ಕ್ ಮೂಲಕ ಕೇಂದ್ರಕ್ಕೆ ಸಾಗಿಸಲಾಗುತ್ತದೆ. ಉದ್ಯಮದಲ್ಲಿನ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಪ್ರೋಟೋಕಾಲ್ MQTT ಆಗಿದೆ: ಹಗುರವಾದ, ಪ್ರಕಟಿಸಲು-ಚಂದಾದಾರಿಕೆ ಮಾದರಿ, ಕಡಿಮೆ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್‌ಗೆ ಸೂಕ್ತವಾಗಿದೆ. AI ತ್ವರಿತವಾಗಿ MQTT ಪ್ರಕಾಶಕ/ಚಂದಾದಾರರ ಕೋಡ್ ಮತ್ತು JSON ಟೆಲಿಮೆಟ್ರಿ ಸ್ಕೀಮಾವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ.

json ಅನ್ನು ಆಮದು ಮಾಡಿ, mqttclient ಆಗಿ paho.mqtt.client ಅನ್ನು ಆಮದು ಮಾಡಿ = mqtt.Client()client.connect("broker.local", 1883, keepalive=60)def telemetry_broadcast(ತಾಪಮಾನ, ತಾಪಮಾನ, ಕಂಪನ_rms): ಸಂದೇಶ = { "ts": time.timestamp_gde (), # ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್‌ಗಾಗಿ ಸುತ್ತು(ನೋವು, 2), "temperature_c": ಸುತ್ತು(ತಾಪಮಾನ, 1), "ಕಂಪನ_rms": ಸುತ್ತು(temperature_rms, 3), "ಘಟಕ": {"pain": "deg", "temperature": "C", "vibration": "mm/s"} } client.publish/1 json.dumps(message), qos=1)# qos=1: ಒಮ್ಮೆಯಾದರೂ ವಿತರಿಸಲಾಗಿದೆ. ನಿರ್ಣಾಯಕ ಡೇಟಾದಲ್ಲಿ qos=0 (ಕಳೆದುಹೋಗಬಹುದು) ಅನ್ನು ಬಳಸುವುದು.

ಎರಡು ಎಂಜಿನಿಯರಿಂಗ್ ನಿರ್ಧಾರಗಳು ಇಲ್ಲಿ ಮುಖ್ಯವಾಗಿವೆ: (1) ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪಿಂಗ್ (ts) ಪ್ರತಿ ಸಂದೇಶ-ವಿವಿಧ ಸಂವೇದಕಗಳನ್ನು ವಿಭಿನ್ನ ಸಮಯಗಳಲ್ಲಿ ಮಾದರಿ ಮಾಡಲಾಗುತ್ತದೆ, ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಸಮಯ ಸ್ಟ್ಯಾಂಪಿಂಗ್‌ನೊಂದಿಗೆ ಮಾತ್ರ ಸಾಧ್ಯ; (2) QoS ಮಟ್ಟ-ನಿರ್ಣಾಯಕ ಡೇಟಾವು ಕನಿಷ್ಟ qos=1 ಅನ್ನು ಬಳಸುತ್ತದೆ (ಕನಿಷ್ಠ ಒಮ್ಮೆ ವಿತರಿಸಲಾಗುತ್ತದೆ), qos=0 ಸಂದೇಶ ನಷ್ಟವನ್ನು ಅನುಮತಿಸುತ್ತದೆ.

ಶಬ್ದ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಸಿಂಕ್ರೊನೈಸೇಶನ್

ಸಮ್ಮಿಳನವು ಎಷ್ಟೇ ಉತ್ತಮವಾಗಿದ್ದರೂ, ಇನ್‌ಪುಟ್‌ನಲ್ಲಿನ ಮೂರು ಸಮಸ್ಯೆಗಳು ಫಲಿತಾಂಶವನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತವೆ:

• ಶಬ್ದ: ಕಚ್ಚಾ ಸಂವೇದಕ ಡೇಟಾ ಫಿಲ್ಟರ್ ಮಾಡದೆ ಸಮ್ಮಿಳನಕ್ಕೆ ಹೋದರೆ, ಸಮ್ಮಿಳನದ ಔಟ್‌ಪುಟ್ ಸಹ ಗದ್ದಲದಂತಾಗುತ್ತದೆ. ಪೂರ್ವ-ಫಿಲ್ಟರಿಂಗ್ (ಮಧ್ಯಮ, ಕಡಿಮೆ ಪಾಸ್) ಅಗತ್ಯವಿರಬಹುದು.
• ಮಾಪನಾಂಕ ನಿರ್ಣಯ: ಆಫ್‌ಸೆಟ್ ಮತ್ತು ಸ್ಕೇಲ್ ದೋಷಗಳು (ಉದಾ. ಅಕ್ಸೆಲೆರೊಮೀಟರ್‌ನ ಶೂನ್ಯ ಬಿಂದುವನ್ನು ಬದಲಾಯಿಸಲಾಗಿದೆ) ವ್ಯವಸ್ಥಿತವಾಗಿ ಸಮ್ಮಿಳನವನ್ನು ದಾರಿ ತಪ್ಪಿಸುತ್ತದೆ. ಬಳಕೆಗೆ ಮೊದಲು ಸಂವೇದಕಗಳನ್ನು ಮಾಪನಾಂಕ ಮಾಡಬೇಕು.
• ಸಮಯ ಸಿಂಕ್ರೊನೈಸೇಶನ್: ವಿಭಿನ್ನ ದರಗಳಲ್ಲಿ (ಉದಾಹರಣೆಗೆ 10 Hz GPS ಜೊತೆಗೆ 1 kHz IMU) ಸಂವೇದಕಗಳನ್ನು ಜೋಡಿಸಲು ಟೈಮ್‌ಸ್ಟಾಂಪಿಂಗ್ ಮತ್ತು ಇಂಟರ್‌ಪೋಲೇಷನ್ ಅಗತ್ಯವಿದೆ.

AI ಈ ಹಂತಗಳನ್ನು ಕೋಡ್‌ಗೆ ಸೇರಿಸಬಹುದು, ಆದರೆ ಪ್ರತಿಯೊಂದೂ ಅಗತ್ಯವಿದೆಯೇ ಮತ್ತು ಅದರ ನಿಯತಾಂಕಗಳು ನಿಮ್ಮ ಸಿಸ್ಟಮ್‌ಗೆ ನಿರ್ದಿಷ್ಟವಾಗಿರುತ್ತವೆ. AI ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ "ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಎಲ್ಲಿದೆ?" ಮತ್ತು "ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್‌ಗಳನ್ನು ಜೋಡಿಸಲಾಗಿದೆಯೇ?" ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಮರೆಯದಿರಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ:"IMU ಡೇಟಾದಿಂದ ಕೋನವನ್ನು ಲೆಕ್ಕಹಾಕಿ."(ಯಾವ ಫಿಲ್ಟರ್? ಡ್ರಿಫ್ಟ್ ಅನ್ನು ನಿರ್ವಹಿಸಲಾಗಿದೆ? ಹೇಗೆ dt? ಅಸ್ಪಷ್ಟವಾಗಿದೆ.)STRONG:" MPU6050 ನಿಂದ ಅಕ್ಸೆಲೆರೊಮೀಟರ್ ಮತ್ತು ಗೈರೊಸ್ಕೋಪ್ ಡೇಟಾವನ್ನು ಸಮಗ್ರ ಫಿಲ್ಟರ್ ಮತ್ತು ಅಂದಾಜು ಪಿಚ್ ಕೋನದೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ. ನೈಜ ಸಮಯಸ್ಟ್ಯಾಂಪ್‌ನಿಂದ dt ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ, ಪ್ಯಾರಾಕಲ್ಟ್ 8 ಪ್ಯಾರಾಲ್ಟ್ 0 ಮೀಟರ್ ಎಂದು ಭಾವಿಸಬೇಡಿ. ಟೇನ್ 2 ನೊಂದಿಗೆ ವೇಗಮಾಪಕ ಕೋನವನ್ನು ವರ್ಗವಾಗಿ ಫಿಲ್ಟರ್ ಮಾಡಿ, ಹಿಂದಿನ ಕೋನವನ್ನು ಇರಿಸಿ, ಶಬ್ದಕ್ಕಾಗಿ ಐಚ್ಛಿಕ ಮಧ್ಯದ ಪೂರ್ವ ಫಿಲ್ಟರ್ ಅನ್ನು ಸೇರಿಸಿ."

ಮಿನಿ ಕೇಸ್

ರೊಬೊಟಿಕ್ಸ್ ಇಂಜಿನಿಯರ್ ಸೆಲಿನ್ ದ್ವಿಚಕ್ರ ಬ್ಯಾಲೆನ್ಸಿಂಗ್ ರೋಬೋಟ್‌ನಲ್ಲಿ ಕೋನ ಅಂದಾಜು ಮಾಡಲು AI ನಿಂದ ಪೂರಕ ಫಿಲ್ಟರ್ ಬಯಸುತ್ತಾರೆ. AI ಕ್ಲೀನ್ ಕೋಡ್ ಅನ್ನು ನೀಡುತ್ತದೆ, ಆದರೆ ರೋಬೋಟ್ ನಿಧಾನವಾಗಿ ಒಂದು ಬದಿಗೆ ವಾಲುತ್ತದೆ. ಸೆಲಿನ್ ಡಿಟಿಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ: ಕೋಡ್ ಡಿಟಿ ಸ್ಥಿರ 0.01 ಸೆ ಎಂದು ಊಹಿಸುತ್ತದೆ, ಆದರೆ ಬ್ಲೂಟೂತ್ ಟೆಲಿಮೆಟ್ರಿಯಿಂದಾಗಿ ಸೈಕಲ್ ಸಮಯ ಬದಲಾಗುತ್ತದೆ. ನೈಜ ಸಮಯದ ಸ್ಟ್ಯಾಂಪ್‌ನಿಂದ dt ಅನ್ನು ಲೆಕ್ಕಹಾಕಿದಾಗ, ಡ್ರಿಫ್ಟ್ ಕಡಿಮೆಯಾಗುತ್ತದೆ ಆದರೆ ಸಂಪೂರ್ಣವಾಗಿ ಕಣ್ಮರೆಯಾಗುವುದಿಲ್ಲ. ನಂತರ ಅವನು ಅಕ್ಸೆಲೆರೊಮೀಟರ್ನ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ನೋಡುತ್ತಾನೆ; ಸಂವೇದಕವು ಸ್ಥಿರವಾಗಿರುವಾಗಲೂ 2° ಆಫ್‌ಸೆಟ್ ಇರುತ್ತದೆ. ನಾನು ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ತೆಗೆದುಹಾಕಿದಾಗ, ರೋಬೋಟ್ ನೇರವಾಗಿ ನಿಲ್ಲುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, MQTT ಮೂಲಕ ಟೆಲಿಮೆಟ್ರಿಯನ್ನು ಪ್ರಸಾರ ಮಾಡುವಾಗ ಅದು qos=0 ಅನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ನಿರ್ಣಾಯಕ ಕೋನ ಡೇಟಾಕ್ಕಾಗಿ ಅದನ್ನು qos=1 ಗೆ ಹೆಚ್ಚಿಸುತ್ತದೆ. AI ನಿಮಿಷಗಳಲ್ಲಿ ಸಮ್ಮಿಳನ ಅಸ್ಥಿಪಂಜರವನ್ನು ತಲುಪಿಸಿತು; ಆದರೆ ಇಂಜಿನಿಯರ್‌ನ ಪರಿಶೀಲನೆಯು ಮೂರು ಸಿಸ್ಟಮ್-ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗಳನ್ನು ಸೆಳೆಯಿತು: ವೇರಿಯಬಲ್ dt, ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಆಫ್‌ಸೆಟ್ ಮತ್ತು QoS.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• dt ಸ್ಥಿರವಾಗಿದೆ ಎಂದು ಊಹಿಸಿ, ಆದರೆ ಚಕ್ರದ ಸಮಯ ಬದಲಾಗುತ್ತದೆ (ಸಮ್ಮಿಳನ ದಿಕ್ಚ್ಯುತಿಗಳು).
• ಸಂವೇದಕಗಳನ್ನು ಮಾಪನಾಂಕ ಮಾಡದೆಯೇ ಬೆಸೆಯುವುದು (ವ್ಯವಸ್ಥಿತ ಆಫ್‌ಸೆಟ್).
• ಟೈಮ್‌ಸ್ಟಾಂಪಿಂಗ್ ಮಾಡದೆಯೇ ವಿಭಿನ್ನ ವೇಗದ ಸಂವೇದಕಗಳನ್ನು ಜೋಡಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ.
• ನೈಜ ಶಬ್ದದಿಂದ ಕಲ್ಮನ್ Q/R ಕೋವೇರಿಯನ್ಸ್‌ಗಳನ್ನು ಅಳೆಯದೆ AI ನ ಮಾದರಿ ಮೌಲ್ಯದೊಂದಿಗೆ ಬಿಡುವುದು.
• ನಿರ್ಣಾಯಕ IoT ಡೇಟಾದಲ್ಲಿ qos=0 ಅನ್ನು ಬಳಸುವ ಮೂಲಕ ಸಂದೇಶ ನಷ್ಟವನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
• ಪೂರ್ವ-ಫಿಲ್ಟರಿಂಗ್ ಇಲ್ಲದೆ ಸಮ್ಮಿಳನಕ್ಕೆ ಕಚ್ಚಾ ಗದ್ದಲದ ಡೇಟಾವನ್ನು ನೀಡುವುದು.

ಸಾರಾಂಶದಲ್ಲಿ

• ಫ್ಯೂಷನ್ ಪ್ರತಿ ಸಂವೇದಕವನ್ನು ಆವರ್ತನ ಪ್ರದೇಶದಲ್ಲಿ ಬಳಸುತ್ತದೆ, ಅಲ್ಲಿ ಅದು ಪ್ರಬಲವಾಗಿದೆ ಮತ್ತು ಅದರ ದೌರ್ಬಲ್ಯವನ್ನು ಸರಿದೂಗಿಸುತ್ತದೆ.
• ಪೂರಕ ಫಿಲ್ಟರ್ ಸರಳವಾಗಿದೆ; ಆಲ್ಫಾದೊಂದಿಗೆ ಗೈರೊಸ್ಕೋಪ್-ಆಕ್ಸೆಲೆರೊಮೀಟರ್ ಸಮತೋಲನವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ.
• ಕಲ್ಮನ್ ಫಿಲ್ಟರ್ ಮಾದರಿಗಳು ಶಬ್ದ ಸಂಭವನೀಯವಾಗಿ; Q/R ನಿಜವಾದ ವ್ಯವಸ್ಥೆಯಿಂದ ಬರುತ್ತದೆ.
• MQTT ಟೆಲಿಮೆಟ್ರಿಯಲ್ಲಿ, ಟೈಮ್‌ಸ್ಟಾಂಪಿಂಗ್ ಮತ್ತು ಸೂಕ್ತವಾದ QoS ನಿರ್ಣಾಯಕ ಎಂಜಿನಿಯರಿಂಗ್ ನಿರ್ಧಾರಗಳಾಗಿವೆ.
• ಶಬ್ದ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಸಮಯ ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಸಮ್ಮಿಳನದ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.
• dt ಅನ್ನು ನೈಜ ಸಮಯದಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ; ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು QoS ಅನ್ನು AI ಗೆ ಬಿಡದೆ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

IMU (ನೈಜ ಅಥವಾ ಸಿಮ್ಯುಲೇಟೆಡ್ ಗೈರೊ + ಅಕ್ಸೆಲೆರೊಮೀಟರ್ ಡೇಟಾ) ಗಾಗಿ AI ಅವಿಭಾಜ್ಯ ಫಿಲ್ಟರ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು dt ಅನ್ನು ನೈಜ ಸಮಯಸ್ಟ್ಯಾಂಪ್‌ನಿಂದ ಲೆಕ್ಕಹಾಕಲಾಗಿದೆಯೇ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ನಂತರ: (1) 0.90, 0.98 ಮತ್ತು 1.0 ಗಾಗಿ ಆಲ್ಫಾವನ್ನು ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ಡ್ರಿಫ್ಟ್ ಮತ್ತು ಶಬ್ದ ಸಮತೋಲನವನ್ನು ಗಮನಿಸಿ, (2) ಸಂವೇದಕಕ್ಕೆ ಉದ್ದೇಶಪೂರ್ವಕ ಸ್ಥಿರ ಆಫ್‌ಸೆಟ್ (ಮಾಪನಾಂಕ ನಿರ್ಣಯ ದೋಷ) ಸೇರಿಸಿ ಮತ್ತು ಫ್ಯೂಷನ್ ಔಟ್‌ಪುಟ್ ಡ್ರಿಫ್ಟ್ ಹೇಗೆ ಎಂಬುದನ್ನು ನೋಡಿ, (3) ಡೇಟಾವನ್ನು MQTT JSON ಸ್ಕೀಮಾಗೆ ಪರಿವರ್ತಿಸಿ ಮತ್ತು ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಮತ್ತು ಯುನಿಟ್ ಕ್ಷೇತ್ರಗಳನ್ನು ಸೇರಿಸಿ. ನಿಮ್ಮ ಡೇಟಾಗೆ ಯಾವ ಆಲ್ಫಾ ಮೌಲ್ಯವು ಹೆಚ್ಚು ಸಮತೋಲಿತ ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಆಫ್‌ಸೆಟ್ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಎಷ್ಟು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ.