描述

在過(guò)去的幾年里，深度神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別和圖像分類等各種問(wèn)題上為我們提供了最好的結(jié)果。

將機(jī)器學(xué)習(xí)應(yīng)用于傳感器和信號(hào)數(shù)據(jù)使設(shè)備比以往任何時(shí)候都更智能，并將成為物聯(lián)網(wǎng)領(lǐng)域的突破。無(wú)論您使用的是聲音、振動(dòng)、圖像、電信號(hào)還是加速度計(jì)或其他類型的傳感器數(shù)據(jù)，您都可以通過(guò)教導(dǎo)機(jī)器使用廉價(jià)的微控制器在邊緣實(shí)時(shí)檢測(cè)和分類事件來(lái)構(gòu)建更豐富的分析用于處理 - 即使是嘈雜的、高變化的數(shù)據(jù)。在這篇研究論文中可以看到更多關(guān)于機(jī)器學(xué)習(xí)和數(shù)據(jù)分析的信息。

在其他黑客博客中，我們介紹了無(wú)線傳感器在許多工業(yè)應(yīng)用中的使用。在不同的用例中，我們看到我們正在獲取大量數(shù)據(jù)。有些是相關(guān)數(shù)據(jù)，有些是不相關(guān)的。收集這些數(shù)據(jù)并建立機(jī)器學(xué)習(xí)模型可以幫助我們從傳感器收集相關(guān)信息。

在這個(gè)教學(xué)中，我們將學(xué)習(xí)：

• 設(shè)置 ESP32 開(kāi)發(fā)板
• 物聯(lián)網(wǎng)遠(yuǎn)程無(wú)線溫濕度傳感器
• 在無(wú)線溫度傳感器和 ESP32 之間建立連接
• 閃爍 ESP 32 并從無(wú)線溫度和濕度傳感器收集傳感器數(shù)據(jù)
• 使用 Power BI 分析和可視化圖表和圖形中的傳感器數(shù)據(jù)
• 從 Power BI 以 CSV 格式導(dǎo)出傳感器數(shù)據(jù)
• 使用此數(shù)據(jù)創(chuàng)建數(shù)據(jù)集。
• 使用 tensorflow 創(chuàng)建 CNN（卷積神經(jīng)網(wǎng)絡(luò)模型）

硬件和軟件規(guī)格

軟件規(guī)范

• Azure 帳戶
• Arduino IDE

硬件規(guī)格

• ThingHz 無(wú)線溫濕度傳感器
• FTDI 串行編程器

獲取溫度和濕度值

?

?

我們從無(wú)線溫度和濕度傳感器獲得以下值：

• 攝氏溫度
• 華氏溫度
• 相對(duì)濕度
• 電池使用情況

然后在 Azure IoT 中心對(duì)這些數(shù)據(jù)進(jìn)行可視化和分析。若要開(kāi)始設(shè)置 Azure IoT 中心，請(qǐng)閱讀本教程。為了發(fā)送值 Azure IoT 中心，應(yīng)遵循以下過(guò)程。

Azure IoT 中心遵循 MQTT 協(xié)議以發(fā)布和訂閱數(shù)據(jù)。

• Azure 函數(shù)是 azure 門(mén)戶提供的另一個(gè)重要功能。使用 Azure 函數(shù)，我們可以在云中編寫(xiě)一段代碼或函數(shù)。在這個(gè)項(xiàng)目中，我們正在解析包含原始傳感器數(shù)據(jù)的 JSON，并使用 Azure 函數(shù)從中獲取真實(shí)的溫度和濕度值。要設(shè)置 Azure 功能，請(qǐng)遵循本教程。
• 我們將使用解析后的 JSON 原始數(shù)據(jù)獲取真實(shí)的溫度和濕度數(shù)據(jù)

public static async Task Run(HttpRequestMessage req, TraceWriter log)
{  double humidity;  
int rawTemp;  
double Ctemp;  
double Ftemp;  
double voltage;  
string utcEnque;  
string devFormat;  
string utcProcess;  
log.Info("C# HTTP trigger function processed a request: " + content);  
JArray array = JArray.Parse($"{await req.Content.ReadAsStringAsync()}");

//parsing the JSON array   
foreach(dynamic message in array){      
utcProcess = message.EventProcessedUtcTime;      
utcEnque = message.EventEnqueuedUtcTime;      
humidity = ((message.Humid1)*256 + (message.Humid2))/100;      
rawTemp = ((message.Temp1)*256 + (message.Temp2));      
Ctemp = rawTemp /100.0;         
Ftemp = Ctemp *1.8 + 32;       
int bat = ((message.Bat1)*256 + (message.Bat2));      
voltage = 0.00322 * bat;      
string utcTime = utcProcess.ToString();      
DateTime localDateTime = DateTime.Parse(utcTime);      
 DateTime utcDateTime = localDateTime.ToUniversalTime();      
string usTimeZone = "US Eastern Standard Time";      
TimeZoneInfo ust = TimeZoneInfo.FindSystemTimeZoneById(usTimeZone);     
DateTime dateTime = TimeZoneInfo.ConvertTime(utcDateTime, ust);      
log.Info(dateTime.ToString("dd/MM/yyyy HH:mm:ss"));    \
}
return req.CreateResponse(HttpStatusCode.OK, "Executed");  
} 
public class Message{    
[JsonProperty("temp1")]    
public int temp1 { get; set; }    
[JsonProperty("temp2")]    
public int temp2 { get; set; }    
[JsonProperty("humid1")]    
public int humid1 { get; set; }    
[JsonProperty("humid2")]    
public int humid2 { get; set; }    
[JsonProperty("bat1")]    
public int bat1 { get; set; }    
[JsonProperty("bat2")]    
public int bat2 { get; set; }  
}

在 PowerBi 中分析數(shù)據(jù)

我們正在使用 Power BI 來(lái)可視化數(shù)據(jù)。它提供了分析數(shù)據(jù)的交互式方法。此數(shù)據(jù)可以以折線圖、條形圖、餅圖等形式進(jìn)行解釋。首先在 Power Bi 中創(chuàng)建一個(gè)帳戶并登錄到您的帳戶。在上一篇文章中，我們?cè)O(shè)置了 Power Bi 并使用流分析作業(yè)將數(shù)據(jù)發(fā)送到 Power Bi。在這篇文章中，我們使用 Azure 功能將傳感器數(shù)據(jù)發(fā)送給 Bi。要設(shè)置 Power Bi，請(qǐng)閱讀此博客。

有四種方法可以將數(shù)據(jù)發(fā)送到 Power Bi：

• 將數(shù)據(jù)從 IoT 中心直接流式傳輸?shù)?Power Bi。
• 使用 API 向 Power Bi 發(fā)送數(shù)據(jù)。
• 使用 web-hook 函數(shù)使用 PubNub。

在我們的例子中，我們使用 Power BI API 并從 azure 函數(shù)向 Power BI 發(fā)送 HTTP 響應(yīng)。可視化面板中列出了不同的圖形、折線圖、Pi 圖等。我們可以通過(guò)從可視化面板中選擇任何圖表來(lái)創(chuàng)建圖表。

我們還可以將數(shù)據(jù)導(dǎo)出為 Excel 表格或 CSV 格式。在后期可用于數(shù)據(jù)分析。

PowerBI 的 Azure 函數(shù)代碼

從 JSON 中解析所有 JSON 對(duì)象，并獲取溫度、濕度等的真實(shí)值。這里的產(chǎn)品是一個(gè)產(chǎn)品類對(duì)象，我們?cè)谄渲写鎯?chǔ)解析的值。

Product product = new Product();
foreach(dynamic message in array){      
humidity = ((message.humid1)*256 + (message.humid2))/100;      
rawTemp = ((message.temp1)*256 + (message.temp2));      
Ctemp = rawTemp /100.0;         
Ftemp = Ctemp *1.8 + 32;       
int bat = ((message.bat1)*256 + (message.bat2));      
voltage = 0.00322 * bat;      
utcProcess = message.EventProcessedUtcTime;      
utcEnque = message.EventEnqueuedUtcTime;      
product.Ctemperature = Ctemp;      
product.Ftemperature = Ftemp;      
product.humid = humidity;      
product.battery = voltage;     
//product.dateTime = ;         
product.EventProcessedUtcTime=utcProcess;       
product.EventEnqueuedUtcTime=utcEnque;     
}
public class Product{  
public double Ctemperature{get; set;}  
public double humid{get; set;}  
public double battery{get; set;}  
//public double dateTime{get; set;}  
public string EventProcessedUtcTime { get; set; }  
public string EventEnqueuedUtcTime { get; set; }  
public double Ftemperature{get; set;}}

• 現(xiàn)在創(chuàng)建一個(gè)變量來(lái)存儲(chǔ) Power Bi 的連接字符串
• 創(chuàng)建 HTTP 客戶端實(shí)例

string connString = "https://api.powerbi.com/beta/***************"; 

?

HttpClient client = new HttpClient();

• 我們需要發(fā)送 JSON 給 Bi 供電。因此，使用模型類對(duì)象序列化 Json。
• 將轉(zhuǎn)換后的 JSON 作為 HTTP 請(qǐng)求發(fā)送到 power bi。

string output = JsonConvert.SerializeObject(product);    
HttpContent httpContent = new StringContent("[" + output + "]");       
HttpResponseMessage response = await client.PostAsync(connString, httpContent);     
response.EnsureSuccessStatusCode();

創(chuàng)建數(shù)據(jù)集

?

?

該數(shù)據(jù)集由 CSV 格式的 Power BI 中的溫度、濕度值組成。使用這些信息，我們將預(yù)測(cè)機(jī)器的狀況。機(jī)器狀況按以下方式分類

• 良好的條件
• 良好的條件
• 粗糙的條件
• 非常粗糙的條件
• 危險(xiǎn)等級(jí)
• 病情嚴(yán)重

溫度和濕度值稱為Features ，與這些值相關(guān)的條件稱為Labels 。我們將對(duì)該數(shù)據(jù)集進(jìn)行特征提取并訓(xùn)練該數(shù)據(jù)集以映射真實(shí)標(biāo)簽。將訓(xùn)練數(shù)據(jù)集與測(cè)試集進(jìn)行比較以找到真實(shí)結(jié)果。這種機(jī)器學(xué)習(xí)方法稱為線性回歸。

訓(xùn)練數(shù)據(jù)集

?

?

?

?

?

1 / 2

?

我們將數(shù)據(jù)集分為兩部分：

• 訓(xùn)練集- 訓(xùn)練集包含 800 個(gè)特征。
• 測(cè)試集- 測(cè)試集包含大約 500 個(gè)特征。

我們正在使用遵循線性回歸的LDA（線性判別分析）來(lái)訓(xùn)練數(shù)據(jù)。使用 LDA 提取特征后。這些特征被提供給卷積層。在這一層，權(quán)重與輸入進(jìn)行卷積，并將偏差添加到其中。這個(gè)過(guò)程針對(duì)不同的卷積層進(jìn)行。然后我們添加一個(gè)最大池化層并添加一個(gè)激活函數(shù)（在我們的案例中我們使用Relu ，更多關(guān)于這可以在這項(xiàng)研究工作中找到），其中再次對(duì)特征進(jìn)行下采樣以使用正確的標(biāo)簽映射數(shù)據(jù)。然后在最后我們有一個(gè)完全連接的層，其中特征再次被向下采樣到標(biāo)簽大小。最后一層的大小等于標(biāo)簽的大小。

?

?

?

?

?

1 / 2

?

優(yōu)化準(zhǔn)確性和損失

?

?

?

?

?

1 / 2

?

我們優(yōu)化了2000次迭代的數(shù)據(jù)集，發(fā)現(xiàn)如下結(jié)果：

培訓(xùn)結(jié)果

• 訓(xùn)練準(zhǔn)確率（1500 epochs）- 100%
• 訓(xùn)練損失（10 個(gè)時(shí)期）- 3.4%

試驗(yàn)結(jié)果

• 測(cè)試準(zhǔn)確率（1500 epochs）- 98.7%
• 測(cè)試損失（10 個(gè)時(shí)期）- 12.5%

整體代碼

此設(shè)置的固件可在此GitHub 存儲(chǔ)庫(kù)中找到