സെൻസർ ഫ്യൂഷനും ഐഒടി ഡാറ്റ ഇൻ്റഗ്രേഷനും

നേട്ടങ്ങൾ:

• IMU, എൻകോഡർ, ഡിസ്റ്റൻസ് സെൻസർ ഡാറ്റ എന്നിവ AI-യുമായി സംയോജിപ്പിക്കുന്ന ഫ്യൂഷൻ ലോജിക് (ഇൻ്റഗ്രേറ്റർ/കൽമാൻ ഫിൽട്ടർ) നിർമ്മിക്കാനുള്ള കഴിവ്
• AI-യുടെ സഹായത്തോടെ MQTT അടിസ്ഥാനമാക്കിയുള്ള IoT ഡാറ്റ സ്ട്രീമുകളും ടെലിമെട്രിയും കോൺഫിഗർ ചെയ്യാനും വ്യാഖ്യാനിക്കാനും ഉള്ള കഴിവ്
• AI ഔട്ട്‌പുട്ടിലെ സെൻസർ ശബ്‌ദം, കാലിബ്രേഷൻ, സമയ സമന്വയ പ്രശ്‌നങ്ങൾ എന്നിവ കണ്ടെത്താനും ശരിയാക്കാനുമുള്ള കഴിവ്

ഒരു സെൻസറും തികഞ്ഞതല്ല. ഗൈറോസ്കോപ്പ് ഹ്രസ്വകാലത്തേക്ക് വളരെ കൃത്യമാണ്, എന്നാൽ കാലക്രമേണ നീങ്ങുന്നു. ആക്സിലറോമീറ്റർ ദീർഘകാലാടിസ്ഥാനത്തിൽ സ്ഥിരതയുള്ളതാണെങ്കിലും വൈബ്രേഷനിൽ നിന്ന് ശബ്ദം ലഭിക്കുന്നു. എൻകോഡർ സ്ഥാനം കൃത്യമായി അളക്കുന്നു, പക്ഷേ ഒരു സ്ലിപ്പ് ഉണ്ടാകുമ്പോൾ അത് തെറ്റാണ്. ജിപിഎസ് വിശാലമായ പ്രദേശത്ത് പ്രവർത്തിക്കുന്നു, പക്ഷേ കുറഞ്ഞ ആവൃത്തിയും ശബ്ദവും. ഈ അപൂർണ്ണമായ സെൻസറുകളിൽ നിന്ന് മെക്കാട്രോണിക്‌സ് എഞ്ചിനീയർ ഒരൊറ്റ വിശ്വസനീയമായ സത്യം നിർമ്മിക്കേണ്ടതുണ്ട്; ഇത് സെൻസർ ഫ്യൂഷൻ ആണ്. മാത്രമല്ല, ആധുനിക സിസ്റ്റങ്ങളിൽ, ഈ ഡാറ്റ പ്രാദേശികമായി തുടരുക മാത്രമല്ല, ഐഒടി നെറ്റ്‌വർക്കുകൾ വഴി ക്ലൗഡിലേക്കും നിയന്ത്രണ കേന്ദ്രങ്ങളിലേക്കും ഒഴുകുന്നു. ഫ്യൂഷൻ അൽഗോരിതം സജ്ജീകരിക്കുന്നതിനും ഐഒടി ടെലിമെട്രി കോൺഫിഗർ ചെയ്യുന്നതിനും വ്യാഖ്യാനിക്കുന്നതിനുമുള്ള ശക്തമായ സഹായമാണ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ കോംപ്ലിമെൻ്ററി ഫിൽട്ടർ, കൽമാൻ ഫിൽട്ടർ ലോജിക് എന്നിവയും AI ഉപയോഗിച്ച് MQTT അടിസ്ഥാനമാക്കിയുള്ള IoT ഫ്ലോ എങ്ങനെ സജ്ജീകരിക്കാമെന്നും നോയിസ്, സിൻക്രൊണൈസേഷൻ ട്രാപ്പുകൾ എന്നിവ ഉൾക്കൊള്ളുന്നു.

എന്തുകൊണ്ട് സെൻസർ ഫ്യൂഷൻ?

എല്ലാ സെൻസറിനും "നല്ല ഫ്രീക്വൻസി സോൺ" ഉണ്ട്. ഓരോ സെൻസറും ശക്തിയുള്ള സ്ഥലത്ത് ഉപയോഗിക്കുകയും അത് ദുർബലമായ സ്ഥലത്ത് മറ്റൊന്നിനെ പിന്തുണയ്ക്കുകയും ചെയ്യുക എന്നതാണ് ഫ്യൂഷൻ്റെ ലക്ഷ്യം.

സെൻസർ

ശക്തമായ പോയിൻ്റ്

ബലഹീനത

ഗൈറോസ്കോപ്പ്

ഹ്രസ്വകാല കോണീയ പ്രവേഗം, വേഗത്തിലുള്ള പ്രതികരണം

കാലക്രമേണ ഒഴുകുക

ആക്സിലറോമീറ്റർ

ദീർഘകാല ചരിവ് റഫറൻസ് (ഗുരുത്വാകർഷണം)

ചലനത്തിൽ വൈബ്രേഷൻ/ശബ്ദം

എൻകോഡർ

ഉയർന്ന റെസല്യൂഷൻ സ്ഥാനം

സ്ലിപ്പ്/ബാക്ക്ലാഷ് പിശക്

ജി.പി.എസ്

കേവല സ്ഥാനം

കുറഞ്ഞ ആവൃത്തി, ശബ്ദം, ഇൻഡോർ ഇല്ല

ഒരൊറ്റ സെൻസറിനെ ആശ്രയിക്കുന്നത് ആ സെൻസറിൻ്റെ ബലഹീനത സിസ്റ്റത്തിലേക്ക് അവതരിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, ഫ്യൂഷൻ, ഗൈറോസ്കോപ്പിൻ്റെ വേഗതയേറിയതും എന്നാൽ ഡ്രിഫ്റ്റിംഗ് ആംഗിളും ആക്സിലറോമീറ്ററിൻ്റെ വേഗത കുറഞ്ഞതും എന്നാൽ സ്ഥിരവുമായ റഫറൻസുമായി സംയോജിപ്പിക്കുന്നു, ഇത് വേഗതയേറിയതും ഡ്രിഫ്റ്റ് രഹിതവുമായ ഒരു ആംഗിൾ നൽകുന്നു.

കോംപ്ലിമെൻ്ററി ഫിൽട്ടർ

ഏറ്റവും ലളിതവും ഏറ്റവും സാധാരണവുമായ ഫ്യൂഷൻ കോംപ്ലിമെൻ്ററി ഫിൽട്ടറാണ്. ആശയം അവബോധജന്യമാണ്: ഉയർന്ന ആവൃത്തിയിൽ ഗൈറോസ്കോപ്പിനെ വിശ്വസിക്കുക (വേഗത്തിലുള്ള മാറ്റം), കുറഞ്ഞ ആവൃത്തിയിൽ ആക്സിലറോമീറ്റർ (സ്ലോ, സ്ഥിരതയുള്ളത്). ഒരു വരി സംഗ്രഹം:

# കോംപ്ലിമെൻ്ററി ഫിൽട്ടർ: വേദന കണക്കാക്കൽ (പിച്ച്) # ആൽഫ ~ 0.98 : ഗൈറോസ്‌കോപ്പിലേക്ക് കൂടുതൽ, ആക്‌സിലറോമീറ്ററിലേക്ക് (ഡിഗ്രി/സെക്കൻഡ്) ആക്സിലറേഷൻ_ആഞ്ച്: ആക്‌സിലറോമീറ്ററിൽ നിന്ന് കണക്കാക്കിയ ആംഗിൾ (ഡിഗ്രി) dt : സാമ്പിളിംഗ് കാലയളവ് (സെക്കൻഡ്) ""_" മുമ്പത്തെ ഗൈറോ_പാക്റ്റിലെ + gyro_pacpe ഗൈറോസ്കോപ്പ് റിട്ടേൺ ആൽഫ * ഗൈറോ_പേസ് + (1 - ആൽഫ) * ആക്സിലറേഷൻ_ആംഗിൾ

ഇവിടെയുള്ള കോഫിഫിഷ്യൻ്റ് ആൽഫ ബാലൻസ് നിർണ്ണയിക്കുന്നു: അത് 1 ന് അടുത്താണെങ്കിൽ, അത് ഗൈറോസ്കോപ്പിനെ ആശ്രയിക്കുന്നു (ഡ്രിഫ്റ്റ് വർദ്ധിക്കുന്നതിനുള്ള സാധ്യത), അത് 0 ന് അടുത്താണെങ്കിൽ, അത് ആക്സിലറോമീറ്ററിനെ ആശ്രയിക്കുന്നു (ശബ്ദം വർദ്ധിക്കുന്നു). സാധാരണ മൂല്യം 0.95–0.98 ആണ്. AI ഈ മൂല്യം നിർദ്ദേശിച്ചേക്കാം, എന്നാൽ ശരിയായ ആൽഫ നിങ്ങളുടെ സിസ്റ്റത്തിൻ്റെ സാമ്പിൾ നിരക്കിനെയും ശബ്ദ സ്വഭാവത്തെയും ആശ്രയിച്ചിരിക്കുന്നു; പരീക്ഷണാടിസ്ഥാനത്തിൽ സജ്ജീകരിച്ചിരിക്കുന്നു.

നുറുങ്ങ്: AI-യിലേക്ക് ഒരു ഇൻ്റഗ്രൽ ഫിൽട്ടർ പ്രിൻ്റ് ചെയ്യുമ്പോൾ, dt എങ്ങനെയാണ് അളക്കുന്നതെന്ന് ചോദിക്കുന്നത് ഉറപ്പാക്കുക. dt സ്ഥിരമാണെന്ന് കരുതുന്നതിൽ നിന്നാണ് മിക്ക പിശകുകളും വരുന്നത്, എന്നാൽ വാസ്തവത്തിൽ സൈക്കിൾ സമയം വ്യത്യാസപ്പെടുന്നു. മില്ലിസ്()/ടൈംസ്റ്റാമ്പ് ഉപയോഗിച്ച് ഡിടി റിയൽ അളക്കുക, സ്ഥിരാങ്കങ്ങൾ എഴുതരുത്.

കൽമാൻ ഫിൽട്ടർ ലോജിക്

കോംപ്ലിമെൻ്ററി ഫിൽട്ടർ ലളിതമാണ്, എന്നാൽ നോയിസ് സ്റ്റാറ്റിസ്റ്റിക്സ് മാതൃകയാക്കുന്നില്ല. സെൻസർ ശബ്‌ദവും പ്രോസസ്സ് അനിശ്ചിതത്വവും പ്രോബബിലിസ്‌റ്റിക്കായി മോഡലിംഗ് ചെയ്‌ത് കൽമാൻ ഫിൽട്ടർ ഒപ്റ്റിമൽ (ചില അനുമാനങ്ങൾക്ക് കീഴിൽ) എസ്റ്റിമേറ്റ് നിർമ്മിക്കുന്നു. ഇത് രണ്ട് ഘട്ടങ്ങളിൽ പ്രവർത്തിക്കുന്നു:

1. പ്രവചിക്കുക: സിസ്റ്റം മോഡലുമായി അടുത്ത സാഹചര്യവും അതിൻ്റെ അനിശ്ചിതത്വവും പ്രവചിക്കുക.
2. അപ്‌ഡേറ്റ്: മെഷർമെൻ്റ് വിശ്വാസ്യത (കൽമാൻ നേട്ടം) എന്നിവയ്‌ക്കെതിരായ പുതിയ അളവ് തൂക്കി കണക്കാക്കുകയും എസ്റ്റിമേറ്റ് ശരിയാക്കുകയും ചെയ്യുക.

ഓരോ ഘട്ടത്തിലും "ഞാൻ അളവിനെയോ മോഡലിനെയോ കൂടുതൽ വിശ്വസിക്കണോ" എന്ന ചോദ്യത്തിന് കൽമാൻ ഗെയിൻ കെ യാന്ത്രികമായി ഉത്തരം നൽകുന്നു. അളക്കൽ ശബ്ദം വലുതാണെങ്കിൽ, K ചെറുതായിത്തീരുന്നു (മോഡലിൽ ആത്മവിശ്വാസം), പ്രക്രിയയുടെ അനിശ്ചിതത്വം വലുതാണെങ്കിൽ, K വലുതായിത്തീരുന്നു (അളവിൽ ആത്മവിശ്വാസം). AI എളുപ്പത്തിൽ ഒരു ഏകമാന കൽമാൻ ഫിൽട്ടർ എഴുതുന്നു; എന്നാൽ നോയിസ് കോവേരിയൻസുകൾ (`Q`, `R`) ശരിയായി തിരഞ്ഞെടുക്കുന്നത് നിങ്ങളുടെ ജോലിയാണ്, അവ സിസ്റ്റത്തിൻ്റെ യഥാർത്ഥ ശബ്ദത്തിൽ നിന്നാണ് വരുന്നത്.

ശ്രദ്ധിക്കുക: AI നൽകുന്ന Q (പ്രോസസ് നോയ്സ്), R (അളവ് ശബ്ദം) മൂല്യങ്ങൾ സാമ്പിൾ/പ്ലെയ്‌സ്‌ഹോൾഡർ ആണ്. സിസ്റ്റത്തിൻ്റെ യഥാർത്ഥ മെഷർമെൻ്റ് ശബ്ദത്തിൽ നിന്ന് നിങ്ങൾ ഇവ നിർണ്ണയിക്കുന്നില്ലെങ്കിൽ (ഉദാ. സെൻസർ നിശ്ചലമായിരിക്കുമ്പോൾ അളക്കുന്ന വ്യത്യാസം), ഫിൽട്ടർ ഒന്നുകിൽ വളരെ മന്ദഗതിയിലോ അല്ലെങ്കിൽ വളരെ ശബ്ദമയമോ ആയിരിക്കും. AI നൽകുന്ന കോവേരിയൻസുകളെ "യഥാർത്ഥ മൂല്യം" ആയി വിശ്വസിക്കരുത്.

IoT ഡാറ്റ സ്ട്രീം: MQTT, ടെലിമെട്രി

നിങ്ങൾ ഫ്യൂഷൻ ഉപയോഗിച്ച് നിർമ്മിക്കുന്ന ക്ലീൻ ഡാറ്റ സാധാരണയായി ഒരു IoT നെറ്റ്‌വർക്ക് വഴി കേന്ദ്രത്തിലേക്ക് കൊണ്ടുപോകുന്നു. വ്യവസായത്തിലെ ഏറ്റവും സാധാരണമായ പ്രോട്ടോക്കോൾ MQTT ആണ്: ഭാരം കുറഞ്ഞ, പ്രസിദ്ധീകരിക്കൽ-സബ്‌സ്‌ക്രൈബ് മോഡൽ, കുറഞ്ഞ ബാൻഡ്‌വിഡ്ത്തിന് അനുയോജ്യമാണ്. AI വേഗത്തിൽ MQTT പബ്ലിഷർ/സബ്‌സ്‌ക്രൈബർ കോഡും JSON ടെലിമെട്രി സ്കീമയും സ്ഥാപിക്കുന്നു.

import json, timeimport paho.mqtt.client as mqttclient = mqtt.Client()client.connect("broker.local", 1883, keepalive=60)def telemetry_broadcast(താപനില, താപനില, vibration_rms): സന്ദേശം = {"ts": time.timestamp റൗണ്ട്(വേദന, 2), "temperature_c": റൗണ്ട്(താപനില, 1), "vibration_rms": റൗണ്ട്(temperature_rms, 3), "യൂണിറ്റ്": {"pain": "deg", "temperature": "C", "vibration": "mm/s"} } client.publish/1 json.dumps(message), qos=1)# qos=1: ഒരിക്കലെങ്കിലും ഡെലിവർ ചെയ്തു. നിർണായക ഡാറ്റയിൽ qos=0 (നഷ്ടപ്പെട്ടേക്കാം) ഉപയോഗിക്കുന്നു.

രണ്ട് എഞ്ചിനീയറിംഗ് തീരുമാനങ്ങൾ ഇവിടെ പ്രധാനമാണ്: (1) ടൈംസ്റ്റാമ്പിംഗ് (ts) ഓരോ സന്ദേശവും - വ്യത്യസ്ത സെൻസറുകൾ വ്യത്യസ്ത സമയങ്ങളിൽ സാമ്പിൾ ചെയ്യുന്നു, ടൈംസ്റ്റാമ്പിംഗ് ഉപയോഗിച്ച് മാത്രമേ സമന്വയം സാധ്യമാകൂ; (2) QoS ലെവൽ-നിർണ്ണായക ഡാറ്റ കുറഞ്ഞത് qos=1 ഉപയോഗിക്കുന്നു (ഒരിക്കലെങ്കിലും വിതരണം ചെയ്യുന്നു), qos=0 സന്ദേശം നഷ്ടപ്പെടാൻ അനുവദിക്കുന്നു.

ശബ്ദം, കാലിബ്രേഷൻ, സിൻക്രൊണൈസേഷൻ

ഫ്യൂഷൻ എത്ര മികച്ചതാണെങ്കിലും, ഇൻപുട്ടിലെ മൂന്ന് പ്രശ്നങ്ങൾ ഫലത്തെ വികലമാക്കുന്നു:

• നോയ്സ്: റോ സെൻസർ ഡാറ്റ ഫിൽട്ടർ ചെയ്യാതെ ഫ്യൂഷനിലേക്ക് പോകുകയാണെങ്കിൽ, ഫ്യൂഷൻ ഔട്ട്പുട്ടും ശബ്ദമയമായിരിക്കും. പ്രീ-ഫിൽട്ടറിംഗ് (മീഡിയൻ, ലോ പാസ്) ആവശ്യമായി വന്നേക്കാം.
• കാലിബ്രേഷൻ: ഓഫ്‌സെറ്റും സ്കെയിൽ പിശകുകളും (ഉദാ. ആക്‌സിലറോമീറ്ററിൻ്റെ സീറോ പോയിൻ്റ് മാറ്റി) സംയോജനത്തെ വ്യവസ്ഥാപിതമായി തെറ്റിദ്ധരിപ്പിക്കുന്നു. ഉപയോഗിക്കുന്നതിന് മുമ്പ് സെൻസറുകൾ കാലിബ്രേറ്റ് ചെയ്യണം.
• സമയ സമന്വയം: വ്യത്യസ്ത നിരക്കുകളിൽ സാമ്പിൾ ചെയ്ത സെൻസറുകൾ വിന്യസിക്കാൻ ടൈംസ്റ്റാമ്പിംഗും ഇൻ്റർപോളേഷനും ആവശ്യമാണ് (ഉദാ. 1 kHz IMU ഉള്ള 10 Hz GPS).

AI-ന് ഈ ഘട്ടങ്ങൾ കോഡിലേക്ക് ചേർക്കാൻ കഴിയും, എന്നാൽ ഓരോന്നും ആവശ്യമുണ്ടോ, അതിൻ്റെ പാരാമീറ്ററുകൾ നിങ്ങളുടെ സിസ്റ്റത്തിന് പ്രത്യേകമാണോ എന്ന്. AI ഔട്ട്‌പുട്ടിൽ "കാലിബ്രേഷൻ എവിടെയാണ്?" കൂടാതെ "ടൈംസ്റ്റാമ്പുകൾ വിന്യസിച്ചിട്ടുണ്ടോ?" ചോദ്യങ്ങൾ ചോദിക്കുന്നത് ഉറപ്പാക്കുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്:"IMU ഡാറ്റയിൽ നിന്ന് ആംഗിൾ കണക്കാക്കുക."(ഏത് ഫിൽട്ടർ? ഡ്രിഫ്റ്റ് കൈകാര്യം ചെയ്യുന്നത്? എങ്ങനെ dt? വ്യക്തമല്ല.)STRONG:"എംപിയു6050-ൽ നിന്നുള്ള ആക്‌സിലറോമീറ്ററും ഗൈറോസ്‌കോപ്പ് ഡാറ്റയും ഇൻ്റഗ്രൽ ഫിൽട്ടറും എസ്റ്റിമേറ്റ് പിച്ച് ആംഗിളും ഉപയോഗിച്ച് സംയോജിപ്പിക്കുക. റിയൽ ടൈംസ്റ്റാമ്പിൽ നിന്ന് dt കണക്കാക്കുക, ഡീൽഫാൾട്ട് കോൺസ്റ്റൻ്റ് ആയി കണക്കാക്കരുത്. ടെയ്ൻ 2 ഉപയോഗിച്ച് ആക്സിലറോമീറ്റർ ആംഗിൾ ഒരു ക്ലാസായി ഫിൽട്ടർ ചെയ്യുക, മുൻ ആംഗിൾ സൂക്ഷിക്കുക, ശബ്ദത്തിനായി ഓപ്ഷണൽ മീഡിയൻ പ്രിഫിൽറ്റർ ചേർക്കുക."

മിനി കേസ്

റോബോട്ടിക്‌സ് എഞ്ചിനീയർ സെലിൻ ഒരു ഇരുചക്ര ബാലൻസിംഗ് റോബോട്ടിലെ ആംഗിൾ എസ്റ്റിമേഷനായി AI-ൽ നിന്ന് ഒരു കോംപ്ലിമെൻ്ററി ഫിൽട്ടർ ആഗ്രഹിക്കുന്നു. AI ഒരു വൃത്തിയുള്ള കോഡ് നൽകുന്നു, പക്ഷേ റോബോട്ട് പതുക്കെ ഒരു വശത്തേക്ക് ചായുന്നു. സെലിൻ dt പരിശോധിക്കുന്നു: dt സ്ഥിരമായ 0.01 സെക്കൻ്റ് ആണെന്ന് കോഡ് അനുമാനിക്കുന്നു, അതേസമയം ബ്ലൂടൂത്ത് ടെലിമെട്രി കാരണം സൈക്കിൾ സമയം വ്യത്യാസപ്പെടുന്നു. റിയൽ ടൈംസ്റ്റാമ്പിൽ നിന്ന് dt കണക്കാക്കുമ്പോൾ, ഡ്രിഫ്റ്റ് കുറയുന്നു, പക്ഷേ പൂർണ്ണമായും അപ്രത്യക്ഷമാകില്ല. അപ്പോൾ അവൻ ആക്സിലറോമീറ്ററിൻ്റെ കാലിബ്രേഷൻ നോക്കുന്നു; സെൻസർ നിശ്ചലമായിരിക്കുമ്പോൾ പോലും 2° ഓഫ്‌സെറ്റ് ഉണ്ട്. ഞാൻ കാലിബ്രേഷൻ ഓഫ്‌സെറ്റ് നീക്കം ചെയ്യുമ്പോൾ, റോബോട്ട് നിവർന്നു നിൽക്കുന്നു. അവസാനമായി, MQTT വഴി ടെലിമെട്രി പ്രക്ഷേപണം ചെയ്യുമ്പോൾ അത് qos=0 ഉപയോഗിക്കുന്നുവെന്നും ക്രിട്ടിക്കൽ ആംഗിൾ ഡാറ്റയ്‌ക്കായി അത് qos=1 ആയി വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു. AI മിനിറ്റുകൾക്കുള്ളിൽ ഫ്യൂഷൻ അസ്ഥികൂടം എത്തിച്ചു; എന്നാൽ എൻജിനീയറുടെ പരിശോധനയിൽ മൂന്ന് സിസ്റ്റം-നിർദ്ദിഷ്ട പ്രശ്നങ്ങൾ കണ്ടെത്തി: വേരിയബിൾ dt, കാലിബ്രേഷൻ ഓഫ്സെറ്റ്, QoS.

സാധാരണ തെറ്റുകൾ

• dt സ്ഥിരമാണെന്ന് കരുതുക, അതേസമയം സൈക്കിൾ സമയം വ്യത്യാസപ്പെടുന്നു (ഫ്യൂഷൻ ഡ്രിഫ്റ്റുകൾ).
• സെൻസറുകൾ കാലിബ്രേറ്റ് ചെയ്യാതെ ഫ്യൂസിംഗ് ചെയ്യുന്നു (സിസ്റ്റമാറ്റിക് ഓഫ്‌സെറ്റ്).
• ടൈംസ്റ്റാമ്പ് ചെയ്യാതെ വ്യത്യസ്ത വേഗതയിലുള്ള സെൻസറുകൾ വിന്യസിക്കാൻ ശ്രമിക്കുന്നു.
• യഥാർത്ഥ ശബ്‌ദത്തിൽ നിന്ന് കൽമാൻ ക്യു/ആർ കോവേരിയൻസുകൾ അളക്കാതെ AI-യുടെ സാമ്പിൾ മൂല്യം ഉപയോഗിച്ച് വിടുന്നു.
• നിർണ്ണായക IoT ഡാറ്റയിൽ qos=0 ഉപയോഗിച്ച് സന്ദേശം നഷ്ടപ്പെടാൻ അനുവദിക്കുന്നു.
• മുൻകൂർ ഫിൽട്ടർ ചെയ്യാതെ തന്നെ അസംസ്‌കൃത ശബ്ദമുള്ള ഡാറ്റ ഫ്യൂഷനിലേക്ക് നൽകുന്നു.

ചുരുക്കത്തിൽ

• ഫ്യൂഷൻ ഓരോ സെൻസറും അത് ശക്തവും ബലഹീനത നികത്തുന്നതുമായ ഫ്രീക്വൻസി മേഖലയിൽ ഉപയോഗിക്കുന്നു.
• പൂരക ഫിൽട്ടർ ലളിതമാണ്; ആൽഫയുമായി ഗൈറോസ്കോപ്പ്-ആക്സിലറോമീറ്റർ ബാലൻസ് സ്ഥാപിക്കുന്നു.
• കൽമാൻ ഫിൽട്ടർ മോഡലുകൾ നോയിസ് പ്രോബബിലിസ്റ്റിക് ആയി; യഥാർത്ഥ സിസ്റ്റത്തിൽ നിന്നാണ് Q/R വരുന്നത്.
• MQTT ടെലിമെട്രിയിൽ, ടൈംസ്റ്റാമ്പിംഗും ഉചിതമായ QoS ഉം നിർണായക എഞ്ചിനീയറിംഗ് തീരുമാനങ്ങളാണ്.
• ശബ്ദം, കാലിബ്രേഷൻ, സമയ സമന്വയം എന്നിവ സംയോജനത്തിൻ്റെ ഗുണനിലവാരം നിർണ്ണയിക്കുന്നു.
• dt തത്സമയം അളക്കുന്നു; കാലിബ്രേഷനും QoS-ഉം AI-ക്ക് വിടാതെ പരിശോധിച്ചുറപ്പിച്ചിരിക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു IMU (യഥാർത്ഥ അല്ലെങ്കിൽ സിമുലേറ്റഡ് ഗൈറോ + ആക്‌സിലറോമീറ്റർ ഡാറ്റ) വേണ്ടി AI ഇൻ്റഗ്രൽ ഫിൽട്ടർ ജനറേറ്റ് ചെയ്യുകയും യഥാർത്ഥ ടൈംസ്റ്റാമ്പിൽ നിന്നാണ് dt കണക്കാക്കുന്നതെന്ന് ഉറപ്പാക്കുകയും ചെയ്യുക. തുടർന്ന്: (1) 0.90, 0.98, 1.0 എന്നിവയ്‌ക്കായി ആൽഫ പരീക്ഷിച്ച് ഡ്രിഫ്റ്റും നോയ്‌സ് ബാലൻസും നിരീക്ഷിക്കുക, (2) സെൻസറിലേക്ക് ഒരു മനഃപൂർവ്വം ഫിക്സഡ് ഓഫ്‌സെറ്റ് (കാലിബ്രേഷൻ പിശക്) ചേർക്കുക, ഫ്യൂഷൻ ഔട്ട്‌പുട്ട് ഡ്രിഫ്റ്റ് എങ്ങനെയെന്ന് കാണുക, (3) ഡാറ്റയെ MQTT JSON സ്കീമയിലേക്ക് പരിവർത്തനം ചെയ്‌ത് ടൈംസ്റ്റാമ്പും യൂണിറ്റ് ഫീൽഡുകളും ചേർക്കുക. ഏത് ആൽഫ മൂല്യമാണ് നിങ്ങളുടെ ഡാറ്റയ്ക്ക് ഏറ്റവും സമതുലിതമായ ഫലം നൽകുന്നതെന്നും കാലിബ്രേഷൻ ഓഫ്‌സെറ്റ് ഔട്ട്‌പുട്ടിനെ എത്രത്തോളം വളച്ചൊടിക്കുന്നുവെന്നും ശ്രദ്ധിക്കുക.