【代码库】机器学习状态监视器

该机器学习 (ML) 应用软件包，基于 ML 的系统状态监视器，依赖于深度学习，使开发人员能够在基于 MCU 的系统上开发和部署神经网络，以构建使用时间序列实时感测数据进行系统状态监视的智能传感应用程序。

示例软件包提供了通用支持，旨在展示如何创建​风扇振动状态监测解决方案​，并通过应用说明提供有关如何通过在不同评估套件上运行不同的推理引擎来验证和评估模型性能的详细信息。

要访问此应用软件包，请单击 GitHub 按钮访问 NXP MCUXpresso SDK GitHub 存储库，并按照实验室指南中的步骤评估软件解决方案。

请访问本文档的支持部分以获取相关资源的扩展列表。

开发板：FRDM-MCXN947、MIMXRT1170-EVK、LPC55S69-EVK、FRDM-K66F

配件：nxpfrdmstbia8974、mikroeaccel4click

类别：AI/ML、异常检测、RTOS、SDMMC、传感器、工具

外设：I2C、SDIO、传感器、UART、定时器

工具链：MCUXpresso IDE

通用启用图

流程图

用例：风扇状态分类

1.软件

• 此包提供的 ML 应用程序 - 用于定义神经网络架构、训练和生成 ML 模型的主机应用程序
• 此软件包提供的 MCU 应用程序 - 用于部署、运行和评估 ML 模型的目标嵌入式设备（即 FRDM-MCXN947、MIMXRT1170-EVK、LPC55S69-EVK、FRDM-K66F）的软件应用程序

工具链：

• MCUXpresso SDK（修订版MCUX_2.14.0）
• MCUXpresso IDE
• eIQ 工具包
• Jupyter Notebook（Python、TensorFlow、Keras 等）

2.硬件

必需的：

• 个人电脑
• Mini/micro USB 线缆
• 以下任意开发板：

| FRDM-MCXN947 | MIMXRT1170-EVK | LPC55S69-EVK | FRDM-K66F |
| :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------: |
| | | | |

​可选​（​功能场景：使用从传感器读取的实时数据运行推理​）：

• 以下任意传感器扩展板：

| FRDM-STBI-A8974 | ACCEL-4-CLICK | FRDM-STBC-AGM01 |
| :--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------: |
| | | |

• Arduino ProtoShield + 5V DC 风扇

| 原盾 | 扇子 |
| :---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------------------------------------------------------------------------------: |
| | |

​可选​（​功能场景：读取并记录用于神经网络训练的传感器数据​）：

• SD 卡

3. 设置

3.1 组装应用程序

您需要同时安装 Git 和 West，然后执行以下命令来收集修订版中的整个 APP-SW-PACKS/ML-State-Monitor 交付${revision}并将其放置在名为 的文件夹中appswpacks_ml_state_monitor。


west init -m https://github.com/nxp-appcodehub/ap-ml-state-monitor.git --mr ${revision} appswpacks_ml_state_monitor
cd appswpacks_ml_state_monitor
west update


将其替换${revision}为您希望实现的任何 SDK 修订版本。main如果您想要的是最新状态，或者任何提交的 SHA-1，都可以替换为该版本。

3.2 构建并运行应用程序

要构建和运行应用程序，请参阅实验室指南或查看使用 MCUXpresso IDE 运行项目中的步骤。

3.3 硬件设置

要配置硬件设置，请参阅实验室指南或遵循以下路径中特定主板和应用程序的自述文件指南 ml_state_monitor/mcu_app/boards/<board_name>/<application_name>/readme*。

4.结果

此应用软件包支持在基于 MCU 的系统上开发和部署用于时间序列数据的神经网络。它演示了如何在嵌入式设备上构建和部署能够监控输入传感器数据并检测设备状态的神经网络模型。

请参阅AN13562文档，该文档通过一个实际用例演示了生成和组装数据集、定义神经网络架构、利用恩智浦 SDK 和 eIQ 技术在嵌入式板上训练和部署模型所需的步骤。该文档还展示了应使用的指标以及如何评估神经网络模型在嵌入式板上运行时的行为，以及基准测试和性能结果。

5. 支持

请参阅以下资源列表以获得扩展支持：

• 基于机器学习的系统状态监控网站
• 基于机器学习的系统状态监控实验室指南
• 应用笔记 AN13562 - 在 MCU 上构建和基准测试智能传感设备的深度学习模型
• 应用软件包- 全套快速开发、易于使用的软件包
• MCUXpresso SDK - 完整的 SDK 交付，提供对其他 SDK 示例和组件的访问
• eIQ ML 软件开发环境- ML 工作流工具（如 eIQ Toolkit），以及推理引擎、神经网络编译器和优化库

项目元数据