电子产品世界 » 论坛首页 » DIY与开源设计 » 电子DIY » 【let'sdo第3期】基于边缘AI的电机状态检测-训练部署成果贴

共1条 1/1 1 跳转至页

【let'sdo第3期】基于边缘AI的电机状态检测-训练部署成果贴

高工
2026-11-16 11:13:08     打赏

训练过程:

我们创建NanoEdge AI Studio的工程,选择目标开发板,类型和数据源的类型:

a195d3a7-1ada-4292-961a-1a78a21722ac.png

使用串口数据直接接收:

29b5192d-7102-4162-8584-0d1f75e2b899.png

需要满足这样的要求:

4e40dfb2-366c-4b14-8770-6930bd427eea.png

状态一采集,stop:

1f70a81b-3b80-4da3-8893-89dae0e9ac91.png

状态二采集,low:

9f95a278-2df4-4be4-906a-1f38beed18ba.png

状态三采集,high:

3e94cd6e-fe26-484a-84d8-fef9b151ab63.png

按照这个速度要好久啊,先慢慢跑着吧,明天站上看看:

f95838d1-a765-4379-98bf-5e6bf3016555.png

运行了2个多小时才完成:

257386d7-ac52-4e77-8547-ac56e9f4d791.png

导出最有的模型:

e99272b2-b67a-47aa-8f10-295a0c55b372.png

部署过程:

部署目标与总体流程

部署目标

把NanoEdge AI Studio训练出的三轴运动分类模型部署到STM32H533RE上,实现电机状态的板上实时判断:
类别含义对应电机状态
class 0stop电机停止(线圈全断)
class 1low电机低速旋转(500 步/秒)
class 2high电机高速旋转(1000 步/秒)

完整部署流程

┌──────────────────────────────────────────────────────────────────────┐
│                        训练阶段 (PC)                                 │
│                                                                      │
│  采集数据 → NanoEdge AI Studio 训练 → 导出库                         │
│  (3类×199行)     (SVM + 预处理链)      ↓                            │
│                                    libneai.a                         │
│                                    NanoEdgeAI.h                      │
│                                    metadata.json                     │
│                                    artifacts/*.json                  │
└──────────────────────────────────────────────────────────────────────┘
                                    │
                                    ↓ 拷贝
┌──────────────────────────────────────────────────────────────────────┐
│                        部署阶段 (MCU)                                 │
│                                                                      │
│  1. 库集成    → 工程加组 + include path + 宏定义                    │
│  2. ABI 校验  → 浮点调用约定必须与库一致                            │
│  3. 数据通路  → 传感器原始 int16 → float 缓冲区                    │
│  4. 接口封装  → edge_inference.c/h 隔离 NanoEdge API                 │
│  5. 主循环集成 → 周期性推理 + 结果输出                              │
│  6. 时序验证  → FIFO 不能溢出, 推理不能拖慢采集                    │
│  7. 资源核算  → Flash/RAM 余量检查                                  │
└──────────────────────────────────────────────────────────────────────┘

对外API

NanoEdgeAI.h 暴露的接口只有6个:
enum neai_state neai_classification_init(void);
enum neai_state neai_classification(float *in, float *probabilities, int *id_class);

char*         neai_get_id(void);
int           neai_get_input_signal_size(void);   /* 400 */
int           neai_get_axis_number(void);         /* 3  */
int           neai_get_number_of_classes(void);   /* 3  */
const char*   neai_get_class_name(int id_class);
以及三个描述模型形状的宏:
#define NEAI_ID "6afa43fbae24f2c5813264d0"
#define NEAI_INPUT_SIGNAL_LENGTH 400
#define NEAI_INPUT_AXIS_NUMBER 3
#define NEAI_NUMBER_OF_CLASSES 3
关键认知:neai_classification() 只接受一个 float* 输入缓冲区,没有"输入类型"参数。也就是说,原始信号以什么数值形式喂进去,全靠应用层保证。

一个容易被忽略的细节:class_names 的存储

类名不是编译期的字符串常量,而是运行时从库里读的。用 objdump 可以看到:
Contents of section .rodata.str1.1:
 0000 73746f70 006c6f77 00686967 6800      stop.low.high.

Contents of section .data.neai_class_names:
 0000 00000000 05000000 09000000           ............
.data.neai_class_names 里存的是三个指针,分别指向 stop(偏移0)、low(偏移5)、high(偏移9) 在字符串表中的位置。这意味着类名的顺序由训练时的数据顺序决定,不能想当然。应用的类名映射必须与库一致,否则会出现"模型判断是 low,程序打印成 high"这种极难排查的错位。

数值必须保持原样

预处理链的输入是原始12位计数(-2048 ~ +2047),不是物理量。去趋势和z-score都是"相对"运算,对输入的绝对量级不敏感,但线性去趋势这一步在数值上有实际影响:原始计数量级决定了去趋势后残差的绝对大小,如果应用层先把数据缩小100倍,去趋势后的残差也跟着缩小100倍,后续STFT的幅值谱会整体下降 —— 虽然z-score最后会再标准化回来,但数值精度损失是不可逆的(float只有24位尾数,缩小再放大必然掉精度)。所以本工程的转换是纯类型转换,��位数值:
edge_input[i] = (float)edge_window[i];
没有乘任何系数。

工程集成步骤

应用层集成

新增两个文件:
文件职责
Core/Inc/edge_inference.h对外接口:初始化、求值、周期更新、状态命名
Core/Src/edge_inference.c实现:数据转换、模型调用、结果解析
把NanoEdge API的调用封装在这一个模块内部,好处是:
  • 上层(main.c)不需要知道 neai_classification() 的存在

  • 换模型时只改这一个文件

  • 可以在这里加一致性检查、超时保护、统计计数

接口划分

edge_inference.h 对外暴露五个函数:
bool          edge_inference_init(void);
bool          edge_inference_evaluate(edge_state_t *state, uint8_t *confidence);
bool          edge_inference_update(edge_state_t *state, uint8_t *confidence);
const char*   edge_inference_state_name(edge_state_t state);
bool          edge_inference_is_ready(void);
uint32_t      edge_inference_count(void);
分成两层:
函数语义调用场景
evaluate()立刻对最新窗口做一次推理需要立即得到结果的场合
update()每隔 EDGE_INFERENCE_INTERVAL_MS 才推理一次主循环周期调用
update() 是给主循环用的,因为它把"节流"逻辑封装了:
bool edge_inference_update(edge_state_t *state, uint8_t *confidence)
{
  if (!edge_ready) return false;

  if ((uint32_t)(HAL_GetTick() - edge_last_run) < EDGE_INFERENCE_INTERVAL_MS)
  {
    return false;
  }

  edge_last_run = HAL_GetTick();

  if (!edge_inference_evaluate(&verdict, &score)) return false;
  ...
}
HAL_GetTick() 做差值比较而不是直接比较,是必须的 —— tick计数器约49天会回绕。

置信度的处理

模型输出的是0~1的浮点概率,应用层用百分数:
value = edge_probability[class_index];

if (value < 0.0F) value = 0.0F;
if (value > 1.0F) value = 1.0F;

*confidence = (uint8_t)((value * 100.0F) + 0.5F);
两个边界检查和一个四舍五入。除以100换成百分数用整数运算,避免引入浮点除法。

主循环结构

while (1)
{
  /* 应用按键请求的电机状态 */
  { static uint8_t applied_step = 0xFFU;
    if (applied_step != motor_step) { ... } }

  /* 推进步进相序 */
  actuator_drive_poll();

  /* 排空传感器 FIFO —— 必须在推理之前 */
  (void)motion_sense_poll();

  /* 推送命令行输出 */
  Shell_Process();

  /* 每秒推理一次 */
  if (edge_inference_update(&monitored_state, &monitored_score))
  {
    console_report_line("[  ai ] %s (%u%%)\r\n", ...);
  }

  HAL_Delay(1U);
}

poll必须在推理之前

这个顺序不是随意定的:
actuator_drive_poll();      /* 先把电机推进 */
motion_sense_poll();        /* 再排空 FIFO —— 推理前先清空 */
Shell_Process();
edge_inference_update();    /* 最后推理,此时 FIFO 已是空的 */
如果把 motion_sense_poll() 放在推理后面,那么推理那30ms里FIFO无人照看,会积压12个样本 —— 加上推理前残留的样本,可能逼近32的深度。放在前面就多了一个缓冲余量。

推理周期与采样窗口的关系

推理间隔 EDGE_INFERENCE_INTERVAL_MS = 1000ms,正好等于窗口长度 MOTION_WINDOW_MS = 1000ms。这意味着:
  • 每次推理用的是过去1秒的完整窗口

  • 相邻两次推理的窗口首尾相接,不重叠

  • 电机切换状态后,第一次有效判断在1~2秒后(要等新窗口攒满)

如果把推理间隔设短(比如200ms),会反复对同一个窗口推理,输出冗余但没坏处。设长则响应变慢。1秒是"及时"和"有效"的平衡点。

资源占用分析

区域占用STM32H533RE 总量占比
Flash (Code+RO+RW)61,864 B512,000 B12.1%
RAM (RW+ZI)32,176 B272,000 B11.8%
模型自身占Flash 6.3KB / RAM 12KB(Studio的估算值),实际消耗与估算基本吻合。

综合讲解:

【边缘AI-电机状态识别】 https://www.bilibili.com/video/BV12BsF6CEuS/?share_source=copy_web&vd_source=1a9d212763ed1cd1e393681740edda64





关键词: 成果     训练     部署    

共1条 1/1 1 跳转至页

回复

匿名不能发帖!请先 [ 登陆 注册 ]