一、NanoEdge AI Studio安装
NanoEdge AI Studio软件是STM32推出的AutoML开发工具,专为Arm Cortex-M系列微控制器优化、可自动筛选算法、训练模型并生成轻量级C语言库,无需AI专业知识即可完成边缘AI部署。
具有四种AI库类型,分别为:
异常检测库:学习设备正常状态,实时检测缺陷或故障。
离群值检测库:识别数据中的异常模式偏差。
分类库:对信号进行实时分类(如手势识别、故障类型判断)
回归库:基于数据模式预测离散值或趋势
支持Windows或Linux Ubuntu系统。支持原生STM32全系列开发板,兼容任何Arm Cortex-M架构MCU,包括最小的Cortex-M0。资源占用非常低,模型内存可低至10KB以内,CPU负载适配10MHz以下主频。支持的传感器有加速度、电流、磁场、电压、温度、声压等多种物理量,支持多传感器组合。
NanoEdge AI Studio软件下载链接为NanoEdgeAIStudio | 软件 - 意法半导体。在获取软件的下载中点击Go to site,跳转到信息填写界面,按照实际信息填写即可。填写后就可以下载软件,并且邮箱也会收到NanoEdge AI Studio的许可证秘钥。
将下载好的NanoEdge AI Studio软件安装包安装好之后,打开会要求输入许可证秘钥,将邮箱中的秘钥输入后即可使用。软件打开后的首界面如下

二、训练数据获取
1、采样样本格式
在让NanoEdge AI Studio软件进行AI训练前需要给他一些数据。本实验的数据是电机在不同状态下的加速度计传感器数据。不过需要注意的是给的这些数据的格式是有要求的,所以我让AI在开发上传加速度计传感器数据的时候就考虑NanoEdge AI Studio软件需要的数据格式,并在任务三中就让加速度传感器上传的数据格式符合NanoEdge AI Studio软件要求的格式。在任务三中的上位机软件中也添加了采集加速度传感器数据的功能。在进行采集前需要保证电机的运行状态已经稳定了,并且将上一次的数据清空。

因为在驱动LIS3DH 加速计传感器的时候使用的是100KHz的IIC通信,但是程序是每10ms读取一次完整的加速度计传感器数据,并且通过串口上传到电脑上。所以采样率是100Hz,而电机以6档转动时的输出轴转动频率为0.1Hz,半步驱动频率为409.6Hz。理论上加速度传感器获取的是半步驱动频率的三轴加速度的数据,所以检测不出稳定时的状态。但是能够成功检测出电机从停止状态到正反转的瞬时启动状态,且能区分正反转。软件中的每个信号样本数是单个缓冲帧的样本数,即NanoEdge AI Studio软件中的1Line的加速度传感器的数据个数是256,1Line的样本个数是256*3=768,在这里可以使用默认值256。根据AI的建议,如果要进行模型结果测试的话,可以训练短一点的时间。如果要进行正式的训练最好是时间长一点,时间越长比较好,但是训练时间会比较长。我是按照AI的建议训练出约300行的数据,即76800个加速度数据(样本数),数据获取时间大约为12分钟多。样本数也会在上位机中显示出来,训练完成后,点击导出NanoEdge文件,然后设置保存路径和名称,文件格式是.txt形式,也会将不满1Line(即256个采样点)的数据删除掉。
2、采样方式
我是用NanoEdge AI Studio软件区分出电机的停止、正转6RPM和反转6RPM三种状态。所以获取了这三种状态下的加速度传感器数据。
首先是将加速度传感器绑定在电机上。我是用美纹纸粘上去的,效果如下图

只有让加速度传感器紧贴电机才能获取到电机的数据。如果放在一边的话,识别效果会差一点。
之后是将电机分别设置成停止、正转6RPM和反转6RPM三种状态,等稳定运行后开始进行采集。采集后的数据分别保存在三个文件中,文件命名为train_stop、train_fwd_6rpm和train_rev_6rpm。在样本数据压缩包中的样本文件夹中。其中验证数据是模型效果的测试数据。
三、AI训练
在主界面中点击NEW PROJECT

输入工程名称和描述,在Memory Footprint中是设置可以占用板卡的RAM和ROM空间,这里选择默认值,即可以全部占用NUCLEO-H533RE的资源。然后再Sensor中选择加速度传感器,即图中的默认选项,并且确认是三轴加速度传感器。板卡类型就选择NUCLEO-H533RE板卡。

在这里就是要导入采集的样本数据了。可以选择导入本地文件或者连接板卡在线获取等。右侧是数据格式,与所选的传感器类型是一致的,第一行为一个Line的数据,数据格式是X、Y和Z轴的加速度数据,一行总共有256个采样点。需要将样本文件夹中的文件一个个的导入,并且分别进行命名。

导入文件后就会出现时域和频域的表格图。

导入三个文件后的效果。

然后是点击第三步Benchmark,创建基准,选择导入的三个样本数据。选择完成之后就可以开始训练数据了。

训练时间大概需要1个半小时,在训练过程中电脑也是满负荷运行的。不过不知为什么一直占用CPU的使用,GPU没有占用。训练完成后会推荐一些模型,推荐的模型中也是按照质量、判别百分率、RAM和ROM占用率和识别时间等进行排序。可以看到前几个模型的识别成功率达到100%,这说明环境搭建和数据采集都比较好。

可以选择其中的前几个模型进行验证。

选择模型后可以点击NEW EXPERIMENT进行模型效果的验证。点击后就需要导入三个本地文件的验证样本。可以将验证数据文件夹中的样本按照提示分别导入到软件中。


点击开始后就可以开始进行验证,主要是因为数据量比较少的原因。如果数据量比较大的话就会需要更多的时间。

模型测试完之后也会给出测试结果。可以在模型的右侧类似皇冠的图标上点击一下,确定所选的模型。

然后点击第五步Deployment开始将模型部署到工程中。在这里可以选择部署的工程类型,是否要进行压缩等。

点击DEPLOY LIBRARY后就可以下载可以部署到工程的文件压缩包。

四、模型导入工程
下载的压缩包文件如下

其中需要导入到工程的文件有.a和.h文件。导入到工程中也是要将传感器的数据导入到导入的.a文件中,然后从.a文件中获取结果。这个过程比较麻烦就交给AI了。直接告诉AI使用模型要识别的是什么,然后将对应的压缩包模型导入到工程中。刚开始导入的工程的使用方式是2次确认结果不变才会将该状态认为是电机的状态。但是 发现识别时间慢,正反转切换后就不会有识别结果了。所以将识别结果直接作为最终的结果,不过正反转切换还是不能识别成功。原因是正反转的加速度传感器数据具有对称性,如果要能识别正反转切换的话,需要提高采样率和添加一个加速度传感器。不过停止和运行结果是可以识别成功的。
.a和.h在工程文件夹的位置如下
STM32H533/
├─ Core/
│ └─ Inc/
│ └─ NanoEdgeAI.h
└─ Middlewares/
└─ NanoEdgeAI/
└─ lib/
└─ libneai.a
五、效果展示
将程序下载到板卡中,然后可以使用任务三的上位机软件设置点击的运行状态,在串口日志中可以看到板卡运行状态和模型识别结果

六、工程文件
工程文件:STM32H533_Task4.zip
样本数据:样本数据.zip
我要赚赏金
