基于STM32的机器学习工具 - NanoEdge AI Studio

NanoEdge AI Studio是一个机器学习库的搜索引擎，无需任何机器学习或数据科学领域的专业基础知识即可操作。它使开发人员能够快速、轻松地将智能特性嵌入到C代码中，并为状态监测和预测性维护等应用构建基于边缘AI的IoT器件。

: z" Z" h) |1 {4 u此工具只需极少的数据输入，即可为给定用例输出最佳NanoEdge AI库。同时，借助针对STWIN SensorTile板的数据记录器功能，可简单直接地进行输入数据的记录。NanoEdge AI输出的库可针对微控制器进行优化，可独立于云在微控制器上进行学习和推理。

  K5 O. |+ J& o) Y6 \. N意法半导体近期推出了NanoEdge AI Studio-V3，目前可支持四种类型的NanoEdge AI项目：
·“异常检测”（Anomaly Detection），提供一种能够以增量方式学习模式和进行推理的动态模型，两者均直接在目标微控制器中进行；
·“One-Class”分类（One-class Classification），用于监测数据中的异常值，尤其适用于系统无法提供异常行为示例的情况；
0 T  `; N8 f5 d" a·“N-Class”分类（N-class Classification），能够从各种可能的不同状态中自动识别机器状态；
& F) t& x) h2 d5 V" c* V·“外推法”（Extrapolation），使用数学回归模型来根据其他已知的特性来估计目标值。
& R9 c8 U, M5 r& T' ]2 O9 I  p
. W! F2 @3 s2 ?& Q! h: @! ~. a4 P
* b+ u) B! O) `% ]0 S以下，请观看4款基于STM32的NanoEdge AI Studio 的人工智能应用演示：
! }6 f5 X# m3 }

本演示中，我们使用NanoEdge AI来实现自动门的边缘AI异常检测功能。自动门的机械原理可以由直流电机、皮带轮和皮带来模拟。AI库嵌入STM32微控制器中，该微控制器控制门系统，并通过电压传感器监测其状况。该库直接在MCU中训练，无需任何预训练模型。一旦训练到可以识别正常的工作状态，模型就可以用来检测非正常工作状态 请务必快速浏览全新的NanoEdge AI Studio V3，了解其如何通过畅销的STM32系列微控制器来简化边缘机器学习功能的创建。→马上试用

▼

本演示中，我们使用NanoEdge AI在交流单元的无刷电机滤网中实现边缘AI异常检测功能。实验中，我们使用了X-NUCLEO-IHM07M1、基于STM32 NUCLEO的L6230的三相无刷直流电机驱动器扩展板和BR2804-1700 kV无刷电机。学习和推理直接在微控制器中完成，无需任何预训练模型。

▼

本演示中，我们利用NanoEdge AI在风扇设备中实现边缘AI异常情况检测和分类功能。了解NanoEdge AI Studio，请点击：https://bit.ly/YT-stm32nanoedgeai  实验中，我们使用了Cortex-M4 STM32微控制器。异常情况检测学习和推理在微控制器本地完成，无需任何预训练模型。此外，NanoEdge AI Studio还对分类库进行了预训练。
- S' J  b* i1 P

▼

本演示中，我们使用NanoEdge AI在STM32微控制器内训练模型，根据加速度计获取的信号检测异常振动模式。然后，经过训练的模型可检测机器的任何异常行为。
* z9 C; @$ |. P

学习一下，谢谢分享

学习学习