该应用的目的是基于电机控制板的电流信号来检测风扇滤网的堵塞百分比。我们知道，当风扇堵塞时，电机的电流信号形状会与正常情况不同，而传统算法很难检测到这种差异。因此，机器学习算法成为解决该问题的明智选择。

▲“风扇堵塞检测”演示

该示例既可以应用于许多其他类似的情况，比如空调滤网堵塞检测和吸尘器过滤网堵塞检测，也可以推广到电动马达的其他异常检测应用。

硬件与软件准备

P-NUCLEO-IHM03电机控制套件，用于驱动风扇，它包括一块NUCLEO-G431RB主板、一块电机控制扩展板，以及一台无刷电机。

NanoEdge AI studio用于自动生成机器学习库，该库将会集成到由STM32 Motor Control Workbench生成的电机控制基础软件中。

使用NanoEdge AI寻找优化的AI库

创建一个新项目

在主窗口中选择“Anomaly Detection”，然后新建一个项目。

在“Project Settings”这一步，需要对以下配置项进行设置：

• Name：项目的名称
• Max RAM：用户希望分配给AI库的最大RAM存储空间。该工具在“Benchmark”步骤中将只搜索符合该约束条件的库。
• Max Flash：用户希望分配给AI库的最大Flash存储空间，类似于Max RAM。此配置项仅在选中“Limit Flash”后才会激活。
• Target：该项目的目标MCU或板件。用户可以选择任意STM32 MCU或直接选择相应的开发板。
• Sensor type：用于数据集收集的传感器类型。在此项目中，我们使用电机控制板内置的电流传感器。
  
  

导入信号文件

在接下来的两个步骤（步骤2和步骤3）中，我们将需要导入两个信号文件，文件格式在软件工具中有说明，如上图所示：

• “正常信号”文件，对应风扇的正常行为。这些数据是在风扇过滤网没有堵塞的情况下收集的，如下图所示。
  
  

• “异常信号”文件，对应风扇的异常行为。这些数据是在风扇过滤网完全堵塞的情况下收集的，如下图所示。
  
  

对库进行基准分析 (Benchmark)
在第4步中，我们将启动并监控库的基准分析过程。NonoEdge AI studio将根据步骤2和步骤3中提供的信号搜索以及适配一个最佳的AI库。
首先，启动新的基准分析过程，如下图所示：

然后，选择用于基准分析的正常与异常信号，以及计算机的微处理器核心数量。

启动基准分析后，我们可以实时监控候选AI库的性能以及以下性能指标的变化：

• “Balanced accuracy”，表示正确分类的样本数与输入总样本数的比率。此参数是机器学习领域最常用的评价指标之一。
• “Confidence”，表示我们对结果的置信度。正确分类的正负样本之间的距离越大，置信度就越高。
• “RAM”，表示候选库所需的RAM存储大小
• “Flash”，表示候选库所需的Flash存储大小
  
  

当基准分析完成之后，将出现一个如下图所示的汇总画面。它表示在AI库集成到最终硬件当中时，为获得最佳性能所需要的最小学习迭代次数。在该例子中，NanoEdge AI studio建议在开始检测之前，至少需要调用learn()函数30次，以学习30个正常信号。

通过仿真对库进行验证
NanoEdge AI studio还提供仿真器功能，以帮助用户轻松测试和验证在基准分析过程中所选择的AI库，而无需创建任何嵌入式软件。

我们需要让AI库先学习上一步骤中推荐的最小数量的正常信号，然后进行检测，以测试库的行为是否符合预期。
如下图所示，本示例学习了100个信号。而检测中实时采集的信号与之前学习的正常信号之间的相似度为35%，说明风扇存在部分堵塞的现象。



库的部署与集成
一旦选定的AI库通过了验证，我们就可以进入最后一个步骤“部署”；在该步骤中，库将会被编译、下载并且准备集成到嵌入式软件当中。
在对库进行编译之前，有多个编译选项可选。在本例中，我们需要勾选Float-abi标志，以支持浮点数的运算。然后，我们可以点击“COMPILE LIBRARY”来下载NanoEdge AI库。



一个.zip压缩文件将会被下载到计算机上，其中包含一些相关的文档、NanoEdge AI 仿真器、静态AI库，以及库的头文件。该静态库可以轻松集成到嵌入式软件当中。



最后，我们可以看到，在NanoEdge AI studio的帮助下，用户无需任何AI知识，即可通过几个简单的步骤快速部署一个AI应用。