சென்சார் ஃப்யூஷன் மற்றும் IoT தரவு ஒருங்கிணைப்பு

ஆதாயங்கள்:

• IMU, குறியாக்கி மற்றும் தொலைவு சென்சார் தரவை AI உடன் இணைக்கும் இணைவு தர்க்கத்தை (ஒருங்கிணைப்பான்/கல்மான் வடிகட்டி) உருவாக்கும் திறன்
• AI இன் உதவியுடன் MQTT- அடிப்படையிலான IoT தரவு ஸ்ட்ரீம்கள் மற்றும் டெலிமெட்ரியை உள்ளமைக்கும் மற்றும் விளக்குவதற்கான திறன்
• AI வெளியீட்டில் சென்சார் சத்தம், அளவுத்திருத்தம் மற்றும் நேர ஒத்திசைவுச் சிக்கல்களைக் கண்டறிந்து சரிசெய்யும் திறன்

எந்த சென்சார் சரியாக இல்லை. கைரோஸ்கோப் குறுகிய காலத்தில் மிகவும் துல்லியமானது, ஆனால் காலப்போக்கில் நகர்கிறது. முடுக்கமானி நீண்ட காலத்திற்கு நிலையானது ஆனால் அதிர்வுகளிலிருந்து சத்தம் பெறுகிறது. குறியாக்கி நிலையை துல்லியமாக அளவிடுகிறது, ஆனால் ஒரு சீட்டு இருக்கும் போது அது தவறு. ஜிபிஎஸ் பரந்த பகுதியில் வேலை செய்கிறது ஆனால் குறைந்த அதிர்வெண் மற்றும் சத்தம் கொண்டது. மெகாட்ரானிக்ஸ் பொறியாளர் இந்த அபூரண உணரிகளிலிருந்து ஒரு நம்பகமான உண்மையை உருவாக்க வேண்டும்; இது சென்சார் இணைவு. மேலும், நவீன அமைப்புகளில், இந்தத் தரவு உள்நாட்டில் இருப்பது மட்டுமல்லாமல், IoT நெட்வொர்க்குகள் வழியாக கிளவுட் மற்றும் கட்டுப்பாட்டு மையங்களுக்குப் பாய்கிறது. செயற்கை நுண்ணறிவு இணைவு அல்காரிதம்களை அமைப்பதிலும் IoT டெலிமெட்ரியை உள்ளமைத்தல் மற்றும் விளக்குதல் ஆகிய இரண்டிலும் ஒரு சக்திவாய்ந்த உதவியாகும். இந்த யூனிட்டில், நிரப்பு வடிகட்டி, கல்மான் ஃபில்டர் லாஜிக் மற்றும் AI உடன் MQTT-அடிப்படையிலான IoT ஓட்டத்தை எவ்வாறு அமைப்பது மற்றும் சத்தம் மற்றும் ஒத்திசைவுப் பொறிகளைப் பிடிப்பது எப்படி என்பதை நாங்கள் உள்ளடக்குகிறோம்.

சென்சார் ஃப்யூஷன் ஏன்?

ஒவ்வொரு சென்சாரிலும் "நல்ல அதிர்வெண் மண்டலம்" உள்ளது. இணைவின் நோக்கம், ஒவ்வொரு சென்சாரையும் அது வலுவாக உள்ள பகுதியில் பயன்படுத்துவதும், பலவீனமாக இருக்கும் பகுதியில் மற்றொன்றுடன் ஆதரவளிப்பதும் ஆகும்.

சென்சார்

வலுவான புள்ளி

பலவீனம்

கைரோஸ்கோப்

குறுகிய கால கோண வேகம், விரைவான பதில்

காலப்போக்கில் சறுக்கல்

முடுக்கமானி

நீண்ட கால சாய்வு குறிப்பு (ஈர்ப்பு)

இயக்கத்தில் அதிர்வு/சத்தம்

குறியாக்கி

உயர் தெளிவுத்திறன் இருப்பிடம்

ஸ்லிப்/பேக்லாஷ் பிழை

ஜி.பி.எஸ்

முழுமையான நிலை

குறைந்த அதிர்வெண், சத்தம், உட்புறம் இல்லை

ஒரு சென்சார் மீது நம்பிக்கை வைப்பது அந்த சென்சாரின் பலவீனத்தை கணினியில் அறிமுகப்படுத்துகிறது. எடுத்துக்காட்டாக, ஃப்யூஷன், கைரோஸ்கோப்பின் வேகமான ஆனால் டிரிஃப்டிங் கோணத்தை முடுக்கமானியின் மெதுவான ஆனால் நிலையான குறிப்புடன் ஒருங்கிணைக்கிறது, இது வேகமான மற்றும் சறுக்கல் இல்லாத கோணத்தை அளிக்கிறது.

நிரப்பு வடிகட்டி

எளிமையான மற்றும் மிகவும் பொதுவான இணைவு நிரப்பு வடிகட்டி ஆகும். யோசனை உள்ளுணர்வு: அதிக அதிர்வெண்ணில் கைரோஸ்கோப்பை நம்புங்கள் (வேகமான மாற்றம்), குறைந்த அதிர்வெண்ணில் முடுக்கமானி (மெதுவான, நிலையானது). ஒரு வரி சுருக்கம்:

# நிரப்பு வடிகட்டி: வலி மதிப்பீடு (சுருதி) # ஆல்பா ~ 0.98 : கைரோஸ்கோப்பிற்கு அதிகம், முடுக்கமானிக்கு குறைவாக (டிகிரி/வினாடி) முடுக்கம்_கோணம்: முடுக்கமானி (டிகிரி) இலிருந்து கணக்கிடப்படும் கோணம் dt : மாதிரி காலம் (வினாடி) ""_" முந்தைய + gyro_pacte gyroscope return alpha * gyro_pace + (1 - alpha) * acceleration_angle# Verification logic: pure gyroscope (drifts) என்றால் alpha=1, # if alpha=0 pure accelerometer (இடைநிலை மதிப்பு) இரண்டையும் சமன் செய்கிறது.

இங்கே குணகம் ஆல்பா சமநிலையை தீர்மானிக்கிறது: அது 1 க்கு அருகில் இருந்தால், அது கைரோஸ்கோப்பைச் சார்ந்துள்ளது (சறுக்கல் அதிகரிக்கும் ஆபத்து), அது 0 க்கு அருகில் இருந்தால், அது முடுக்கமானியை (சத்தம் அதிகரிக்கிறது) சார்ந்துள்ளது. வழக்கமான மதிப்பு 0.95–0.98 ஆகும். AI இந்த மதிப்பை பரிந்துரைக்கலாம், ஆனால் சரியான ஆல்பா உங்கள் கணினியின் மாதிரி வீதம் மற்றும் இரைச்சல் தன்மையைப் பொறுத்தது; சோதனை முறையில் அமைக்கப்பட்டுள்ளது.

உதவிக்குறிப்பு: AIக்கு ஒரு ஒருங்கிணைந்த வடிகட்டியை அச்சிடும்போது, ​​dt எவ்வாறு அளவிடப்படுகிறது என்பதைக் கேட்க மறக்காதீர்கள். பெரும்பாலான பிழைகள் dt நிலையானது என்று கருதுவதிலிருந்து வருகின்றன, ஆனால் உண்மையில் சுழற்சி நேரம் மாறுபடும். millis()/timestamp மூலம் dt realஐ அளவிடவும், மாறிலிகளை எழுத வேண்டாம்.

கல்மான் வடிகட்டி தர்க்கம்

நிரப்பு வடிகட்டி எளிமையானது ஆனால் இரைச்சல் புள்ளிவிவரங்களை மாதிரியாகக் கொண்டிருக்கவில்லை. கல்மேன் வடிகட்டியானது சென்சார் சத்தம் மற்றும் செயல்முறை நிச்சயமற்ற தன்மையை நிகழ்தகவு முறையில் மாடலிங் செய்வதன் மூலம் உகந்த (சில அனுமானங்களின் கீழ்) மதிப்பீட்டை உருவாக்குகிறது. இது இரண்டு படிகளில் வேலை செய்கிறது:

1. கணிக்கவும்: கணினி மாதிரியுடன் அடுத்த சூழ்நிலையையும் அதன் நிச்சயமற்ற தன்மையையும் கணிக்கவும்.
2. புதுப்பி: அளவீட்டு நம்பகத்தன்மைக்கு (கல்மான் ஆதாயம்) எதிராக புதிய அளவீட்டை எடைபோட்டு மதிப்பீட்டைச் சரிசெய்யவும்.

ஒவ்வொரு அடியிலும் "அளவை அல்லது மாதிரியை நான் அதிகமாக நம்ப வேண்டுமா" என்ற கேள்விக்கு கல்மான் கெயின் கே தானாகவே பதிலளிக்கிறது. அளவீட்டு சத்தம் பெரியதாக இருந்தால், K சிறியதாக மாறும் (மாதிரியில் நம்பிக்கை), செயல்முறை நிச்சயமற்ற தன்மை பெரியதாக இருந்தால், K பெரிதாகிறது (அளவீட்டில் நம்பிக்கை). AI ஒரு பரிமாண கல்மேன் வடிப்பானை எளிதாக எழுதுகிறது; ஆனால் இரைச்சல் கோவாரியன்ஸ்களை (`Q`, `R`) சரியாகத் தேர்ந்தெடுப்பது உங்கள் வேலையாகும், மேலும் அவை கணினியின் உண்மையான இரைச்சலில் இருந்து வருகின்றன.

கவனம்: AI ஆல் வழங்கப்பட்ட Q (செயல்முறை இரைச்சல்) மற்றும் R (அளவீடு இரைச்சல்) மதிப்புகள் மாதிரி/பிரேஸ்ஹோல்டர் ஆகும். கணினியின் உண்மையான அளவீட்டு இரைச்சலில் இருந்து இவற்றை நீங்கள் தீர்மானிக்கவில்லை என்றால் (எ.கா. சென்சார் நிலையானதாக இருக்கும் போது அளவிடப்படும் மாறுபாடு), வடிகட்டி மிகவும் மெதுவாக அல்லது அதிக சத்தமாக இருக்கும். "உண்மையான மதிப்பு" என AI வழங்கிய கோவாரியன்ஸ்களை நம்ப வேண்டாம்.

IoT தரவு ஸ்ட்ரீம்: MQTT மற்றும் டெலிமெட்ரி

இணைவு மூலம் நீங்கள் உருவாக்கும் சுத்தமான தரவு பொதுவாக IoT நெட்வொர்க் வழியாக மையத்திற்கு கொண்டு செல்லப்படுகிறது. தொழில்துறையில் மிகவும் பொதுவான நெறிமுறை MQTT: இலகுரக, வெளியீட்டு-சந்தா மாதிரி, குறைந்த அலைவரிசைக்கு ஏற்றது. AI விரைவாக MQTT வெளியீட்டாளர்/சந்தாதாரர் குறியீடு மற்றும் JSON டெலிமெட்ரி ஸ்கீமாவை நிறுவுகிறது.

import json, timeimport paho.mqtt.client as mqttclient = mqtt.Client()client.connect("broker.local", 1883, keepalive=60)def telemetry_broadcast(வெப்பநிலை, வெப்பநிலை, அதிர்வு_rms): செய்தி = {"ts": time.timestamp --condition" க்கு நேரம் சுற்று(வலி, 2), "temperature_c": round(temperature, 1), "vibration_rms": round(temperature_rms, 3), "unit": {"pain": "deg", "temperature": "C", "vibration": "mm/s"} } client.publish/"publish/1 json.dumps(message), qos=1)# qos=1: ஒருமுறையாவது டெலிவரி செய்யப்படும். முக்கியமான தரவுகளில் qos=0 (இழந்திருக்கலாம்) ஐப் பயன்படுத்துதல்.

இரண்டு பொறியியல் முடிவுகள் இங்கே முக்கியமானவை: (1) நேர முத்திரையிடுதல் (ts) ஒவ்வொரு செய்தியும்-வெவ்வேறு சென்சார்கள் வெவ்வேறு நேரங்களில் மாதிரிகள், ஒத்திசைவு நேர முத்திரையுடன் மட்டுமே சாத்தியமாகும்; (2) QoS நிலை-முக்கியமான தரவு குறைந்தபட்சம் qos=1 ஐப் பயன்படுத்துகிறது (குறைந்தது ஒரு முறை வழங்கப்பட்டது), qos=0 செய்தி இழப்பை அனுமதிக்கிறது.

சத்தம், அளவுத்திருத்தம் மற்றும் ஒத்திசைவு

இணைவு எவ்வளவு நன்றாக இருந்தாலும், உள்ளீட்டில் உள்ள மூன்று சிக்கல்கள் முடிவை சிதைக்கின்றன:

• சத்தம்: மூல சென்சார் தரவு வடிகட்டப்படாமல் இணைவுக்குச் சென்றால், இணைவு வெளியீடும் சத்தமாக இருக்கும். முன் வடிகட்டுதல் (சராசரி, குறைந்த பாஸ்) தேவைப்படலாம்.
• அளவுத்திருத்தம்: ஆஃப்செட் மற்றும் ஸ்கேல் பிழைகள் (எ.கா. முடுக்கமானியின் பூஜ்ஜியப் புள்ளி மாற்றப்பட்டது) முறையாக இணைவை தவறாக வழிநடத்துகிறது. பயன்படுத்துவதற்கு முன் சென்சார்கள் அளவீடு செய்யப்பட வேண்டும்.
• நேர ஒத்திசைவு: வெவ்வேறு விகிதங்களில் (எ.கா. 10 ஹெர்ட்ஸ் GPS உடன் 1 kHz IMU) சென்சார்களை சீரமைக்க நேர முத்திரை மற்றும் இடைக்கணிப்பு தேவைப்படுகிறது.

AI இந்த படிகளை குறியீட்டில் சேர்க்கலாம், ஆனால் ஒவ்வொன்றும் தேவையா மற்றும் அதன் அளவுருக்கள் உங்கள் கணினியில் உள்ளதா. AI வெளியீட்டில் "அளவுத்திருத்தம் எங்கே?" மற்றும் "நேர முத்திரைகள் சீரமைக்கப்பட்டுள்ளதா?" கேள்விகள் கேட்க வேண்டும்.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனம்:"IMU தரவிலிருந்து கோணத்தைக் கணக்கிடுங்கள்."(எந்த வடிப்பான்? டிரிஃப்ட் கையாளப்படுகிறது? எப்படி dt? தெளிவாக இல்லை.)STRONG:" MPU6050 இலிருந்து முடுக்கமானி மற்றும் கைரோஸ்கோப் தரவை ஒருங்கிணைந்த வடிகட்டி மற்றும் மதிப்பிடப்பட்ட சுருதி கோணத்துடன் இணைக்கவும். உண்மையான நேர முத்திரையிலிருந்து dt ஐக் கணக்கிடவும், அளவுகோல் 0மீட்டராக கணக்கிட வேண்டாம். tane2 உடன் முடுக்கமானி கோணத்தை வகுப்பாக வடிகட்டவும், முந்தைய கோணத்தை வைத்திருங்கள், இரைச்சலுக்கு விருப்பமான சராசரி வடிப்பானைச் சேர்க்கவும்."

மினி கேஸ்

ரோபாட்டிக்ஸ் பொறியாளர் செலின், இரு சக்கர சமநிலைப்படுத்தும் ரோபோவின் கோண மதிப்பீட்டிற்கு AI இலிருந்து ஒரு நிரப்பு வடிகட்டியை விரும்புகிறார். AI ஒரு சுத்தமான குறியீட்டை அளிக்கிறது, ஆனால் ரோபோ மெதுவாக ஒரு பக்கம் சாய்கிறது. செலின் dt ஐ சரிபார்க்கிறது: குறியீடு dt மாறிலி 0.01 வி என்று கருதுகிறது, அதேசமயம் புளூடூத் டெலிமெட்ரி காரணமாக சுழற்சி நேரம் மாறுபடும். உண்மையான நேர முத்திரையிலிருந்து dt கணக்கிடப்படும்போது, ​​சறுக்கல் குறைகிறது ஆனால் முற்றிலும் மறைந்துவிடாது. பின்னர் அவர் முடுக்கமானியின் அளவுத்திருத்தத்தைப் பார்க்கிறார்; சென்சார் நிலையாக இருக்கும்போது கூட 2° ஆஃப்செட் இருக்கும். நான் அளவுத்திருத்த ஆஃப்செட்டை அகற்றும்போது, ​​ரோபோ நிமிர்ந்து நிற்கிறது. இறுதியாக, இது MQTT வழியாக டெலிமெட்ரியை ஒளிபரப்பும்போது qos=0 ஐப் பயன்படுத்துகிறது மற்றும் முக்கியமான கோணத் தரவுகளுக்கு அதை qos=1 ஆக அதிகரிக்கிறது. AI சில நிமிடங்களில் இணைவு எலும்புக்கூட்டை வழங்கியது; ஆனால் பொறியாளரின் சரிபார்ப்பு முறைமை சார்ந்த மூன்று சிக்கல்களைக் கண்டது: மாறி dt, அளவுத்திருத்த ஆஃப்செட் மற்றும் QoS.

பொதுவான தவறுகள்

• டிடி நிலையானது என்று வைத்துக்கொள்வோம், அதேசமயம் சுழற்சி நேரம் மாறுபடும் (இணைவு சறுக்கல்கள்).
• சென்சார்களை அளவீடு செய்யாமல் இணைத்தல் (முறையான ஆஃப்செட்).
• நேர முத்திரை இல்லாமல் வெவ்வேறு வேக சென்சார்களை சீரமைக்க முயற்சிக்கிறது.
• உண்மையான இரைச்சலில் இருந்து கல்மான் க்யூ/ஆர் கோவாரியன்ஸ்களை அளவிடாமல் AI இன் மாதிரி மதிப்புடன் வெளியேறுதல்.
• முக்கியமான IoT தரவுகளில் qos=0 ஐப் பயன்படுத்தி செய்தி இழப்பை அனுமதிக்கிறது.
• முன் வடிகட்டுதல் இல்லாமல் இணைவதற்கு மூல சத்தம் தரவை வழங்குதல்.

சுருக்கமாக

• ஃப்யூஷன் ஒவ்வொரு உணரிகளையும் அதிர்வெண் பகுதியில் பயன்படுத்துகிறது, அங்கு அது வலுவாக உள்ளது மற்றும் அதன் பலவீனத்தை ஈடுசெய்கிறது.
• நிரப்பு வடிகட்டி எளிது; ஆல்ஃபாவுடன் கைரோஸ்கோப்-முடுக்கமானி சமநிலையை நிறுவுகிறது.
• கல்மான் வடிகட்டுதல் மாதிரிகள் சத்தம் நிகழ்தகவு; Q/R உண்மையான அமைப்பிலிருந்து வருகிறது.
• MQTT டெலிமெட்ரியில், நேர முத்திரை மற்றும் பொருத்தமான QoS ஆகியவை முக்கியமான பொறியியல் முடிவுகளாகும்.
• இரைச்சல், அளவுத்திருத்தம் மற்றும் நேர ஒத்திசைவு ஆகியவை இணைவின் தரத்தை தீர்மானிக்கின்றன.
• dt உண்மையான நேரத்திலிருந்து அளவிடப்படுகிறது; அளவுத்திருத்தம் மற்றும் QoS ஆகியவை AIக்கு விடாமல் சரிபார்க்கப்படுகின்றன.

விண்ணப்ப பணி

ஒரு IMUக்கு (உண்மையான அல்லது உருவகப்படுத்தப்பட்ட கைரோ + முடுக்கமானி தரவு) AI ஒருங்கிணைந்த வடிகட்டியை உருவாக்கி, உண்மையான நேர முத்திரையிலிருந்து dt கணக்கிடப்படுவதை உறுதிசெய்யவும். பிறகு: (1) 0.90, 0.98 மற்றும் 1.0 க்கு ஆல்பாவை முயற்சி செய்து, சறுக்கல் மற்றும் இரைச்சல் சமநிலையைக் கவனிக்கவும், (2) சென்சாரில் வேண்டுமென்றே நிலையான ஆஃப்செட்டை (அளவுத்திருத்தப் பிழை) சேர்த்து, இணைவு வெளியீடு எவ்வாறு நகர்கிறது என்பதைப் பார்க்கவும், (3) தரவை MQTT JSON திட்டத்திற்கு மாற்றி டைம்ஸ்டாம்ப் மற்றும் யூனிட் புலங்களைச் சேர்க்கவும். எந்த ஆல்பா மதிப்பு உங்கள் தரவிற்கு மிகவும் சமநிலையான முடிவை அளிக்கிறது மற்றும் அளவுத்திருத்த ஆஃப்செட் வெளியீட்டை எவ்வளவு சிதைக்கிறது என்பதைக் கவனியுங்கள்.