描述

管道堵塞會對工業(yè)運營產(chǎn)生嚴重的破壞性影響。堵塞的發(fā)生可能有多種原因，例如碎屑堆積、腐蝕和其他類型的損壞。當管道堵塞時，它會擾亂材料的流動并導致昂貴的維修、停機和其他問題。在本文中，我們將探討堵塞對工業(yè)管道的破壞性影響，并討論一些預防和緩解這些問題的方法。

管道堵塞的主要影響之一是降低效率和生產(chǎn)力。當管道堵塞時，材料的流動會中斷，這可能導致生產(chǎn)過程中的延遲和瓶頸。這可能會導致錯過最后期限、減少產(chǎn)量和減少利潤。此外，堵塞會導致設備更快磨損，從而導致更高的維護和維修成本。

管道堵塞的另一個破壞性影響是環(huán)境破壞。當管道堵塞時，可能會導致溢出和泄漏，從而對環(huán)境造成嚴重后果。例如，如果輸送有害物質的管道堵塞，物質可能會泄漏并污染周圍區(qū)域。這會對野生動物、生態(tài)系統(tǒng)和人類健康產(chǎn)生嚴重影響。

除了這些影響之外，管道堵塞還會對工人造成安全風險。如果輸送高壓流體或氣體的管道發(fā)生堵塞，可能會導致爆炸或其他危險。這可能會使工人面臨受傷或死亡的風險，并導致設備和設施損壞。

作為工業(yè)運營中管道堵塞問題的建議解決方案，我們正在引入人工智能 (AI) 和機器學習的使用。我們的人工智能系統(tǒng)使用流量傳感器數(shù)據(jù)，通過分析可能表明堵塞的流量變化來檢測管道中的堵塞情況。這種方法有可能防止中斷和昂貴的維修，并降低環(huán)境破壞和安全事故的風險。

為實施該解決方案，將沿管道長度安裝流量傳感器。這些傳感器將持續(xù)測量通過管道的物料流速，并將數(shù)據(jù)傳回人工智能系統(tǒng)。然后，人工智能系統(tǒng)將使用機器學習算法來分析數(shù)據(jù)并檢測可能表明堵塞的任何變化。如果檢測到堵塞，系統(tǒng)會提醒維護人員，然后他們可以采取措施解決問題。

硬件要求

• 種子 Wio 終端
• 水流傳感器

軟件要求

• 邊緣脈沖
• 開發(fā)環(huán)境

硬件設置

在這個項目中，我們使用了Seeed Wio Terminal開發(fā)板。選擇這個特定的板是因為它作為一個完整的系統(tǒng)具有全面的功能，包括屏幕、開發(fā)板、輸入/輸出接口和外殼。從本質上講，Seeed Wio Terminal在一個單一的集成包中提供了成功項目所需的一切。此外，該開發(fā)板以其可靠性和易用性著稱，是我們項目的理想選擇。

我們使用了 DFRobot水流傳感器來檢測水流狀態(tài)。

該傳感器的目的是測量液體通過時的流速。它通過使用磁性轉子和霍爾效應傳感器來完成這項任務。當液體流過傳感器時，液體的運動會引起磁轉子旋轉。轉子轉動的速度與液體的流速成正比。位于轉子附近的霍爾效應傳感器檢測到這種旋轉并輸出脈沖寬度信號。然后可以使用該脈沖寬度信號來計算液體的流速。這樣，磁性轉子和霍爾效應傳感器的組合可以精確測量液體的流量。

該系統(tǒng)的流程設置非常簡單。本質上，它涉及將兩根管道連接到流量傳感器的入口和出口。進水管用于將被測液體導入流量傳感器，而出水管用于將被測液體引出流量傳感器。這種簡單的配置允許在液體通過流量傳感器時準確測量液體的流速。

我們將收集數(shù)據(jù)：

• 沒有流量的時候
• 有流量的時候
• 有堵塞時

軟件設置

要準備與 Edge Impulse 一起使用的 Seeed Wio 終端，您可以按照官方指南中提供的說明進行操作。但是，我們選擇采用另一種方法來收集我們項目中的數(shù)據(jù)。具體來說，我們使用 CSV 文件收集數(shù)據(jù)，然后將其上傳到 Edge Impulse。從那里，我們遵循使用以這種方式收集的數(shù)據(jù)生成 TinyML 模型的通常過程。我們的方法使我們能夠以靈活、便攜的格式收集數(shù)據(jù)，這些數(shù)據(jù)可以輕松傳輸?shù)?Edge Impulse 以進行進一步分析和模型創(chuàng)建。

1. 數(shù)據(jù)收集

在我們的項目中，我們使用了一個水流傳感器，它可以產(chǎn)生脈寬調制 (PWM) 信號作為輸出。我們沒有直接從傳感器收集模擬值，而是選擇使用基于 PWM 信號的方程式來計算流量。然后將該流量數(shù)據(jù)收集為時間序列數(shù)據(jù)，使我們能夠跟蹤流量隨時間的變化。我們還收集了三種不同場景的流量數(shù)據(jù)：無流量、正常流量和堵塞。通過我們的分析，我們確定這三種情況會在我們的模型可以檢測到的流量數(shù)據(jù)中產(chǎn)生可區(qū)分的模式。

要為您的項目收集數(shù)據(jù)，請執(zhí)行以下步驟：

• 將DataCollection.ino上傳到 Wio 終端。
• 將 Wio 終端插入計算機。
• 在計算機中運行SerialDataCollection.py 。
• 按下按鈕C開始錄音。
• 當您有足夠的數(shù)據(jù)時，再次按下按鈕C停止記錄。
• 停止錄制后，它會在您的計算機上生成一個 CSV 文件。根據(jù)流態(tài)命名。
• 使用“數(shù)據(jù)采集”選項卡將 CSV 文件上傳到 EdgeImpulse 。

將包含流速數(shù)據(jù)的 CSV 文件上傳到 Edge Impulse 后，我們將整個數(shù)據(jù)集分成 6 秒長的較小樣本。這個過程稱為拆分數(shù)據(jù)，使我們能夠分析和操作數(shù)據(jù)以創(chuàng)建模型。

通過將數(shù)據(jù)分解成更小的塊，我們可以更輕松地識別可能與我們的模型相關的趨勢和模式。此外，這種方法使我們能夠有效地使用數(shù)據(jù)進行訓練和測試，因為我們可以更輕松地控制每個樣本的輸入和輸出。每個班級收集的樣本之一如下圖所示。

如上所述將我們的流量數(shù)據(jù)分成更小的樣本后，我們進一步將數(shù)據(jù)集分成兩個不同的子集：訓練數(shù)據(jù)集和測試數(shù)據(jù)集。此過程稱為數(shù)據(jù)分區(qū)，是模型創(chuàng)建過程中必不可少的步驟。

通過將數(shù)據(jù)分成這兩個子集，我們可以使用訓練數(shù)據(jù)集來教我們的模型識別模式并進行預測，而測試數(shù)據(jù)集則用于評估模型的準確性和有效性。通過使用干凈、組織良好的數(shù)據(jù)集，我們可以確信我們的模型正在從高質量數(shù)據(jù)中學習，并且更有可能產(chǎn)生準確可靠的結果。

2. 沖動設計

脈沖是一種專門的機器學習管道，旨在從原始數(shù)據(jù)中提取有用的信息，并使用它來進行預測或對新數(shù)據(jù)進行分類。創(chuàng)建脈沖的過程通常涉及三個主要階段：信號處理、特征提取和學習。

在信號處理階段，以更適合分析的格式清理和組織原始數(shù)據(jù)。這可能涉及去除噪音或其他無關信息，還可能涉及以某種方式預處理數(shù)據(jù)，使其對流程的下一階段更有用。

接下來，特征提取階段涉及從處理過的數(shù)據(jù)中識別和提取重要特征或模式。這些特征是學習塊將用于分類或預測新數(shù)據(jù)的關鍵信息。

最后，學習塊負責根據(jù)前一階段提取的特征對新數(shù)據(jù)進行分類或預測。這可能涉及在提取的特征上訓練機器學習模型，或者可能涉及應用一些其他類型的分類或預測算法。

在這個項目中，我們利用機器學習將液體的流速分為三個不同類別之一。為此，我們使用時間序列數(shù)據(jù)作為脈沖的輸入塊。這種類型的數(shù)據(jù)包括在一段時間內(nèi)定期進行的一系列測量，非常適合分析流量數(shù)據(jù)的趨勢和模式。

對于處理塊，我們使用原始數(shù)據(jù)，這是直接從流量傳感器收集的未處理數(shù)據(jù)。然后，此數(shù)據(jù)通過處理塊傳遞，在那里以更適合分析的方式對其進行清理和組織。

最后，對于學習塊，我們使用分類器塊。這種類型的算法旨在將數(shù)據(jù)分配給幾個預定義類別之一，并且非常適合將流量數(shù)據(jù)分類為三個類別之一的任務。通過使用分類作為學習塊，我們可以將流量數(shù)據(jù)分為三類之一：無流量、正常流量或堵塞。

在此過程中的這一點上，我們已準備好移至“原始數(shù)據(jù)”選項卡并開始生成特征。原始數(shù)據(jù)選項卡提供了許多用于操作數(shù)據(jù)的選項，例如更改軸的比例或應用各種過濾器。在我們的例子中，我們選擇保留默認設置并直接繼續(xù)生成特征。

為了生成特征，我們將應用各種算法和技術來識別數(shù)據(jù)中的重要模式和特征。我們沖動的學習模塊將使用這些特征將流量數(shù)據(jù)分類為三類之一。通過仔細選擇和提取相關特征，我們可以創(chuàng)建更準確、更可靠的流量數(shù)據(jù)分類模型。

分析特征后，我們確定它們分離良好，類之間沒有重疊。這是一個令人鼓舞的跡象，因為它表明我們擁有非常適合模型生成的高質量數(shù)據(jù)集。

3.模型訓練

現(xiàn)在我們已經(jīng)提取并準備了我們的特征，我們準備好進入分類器選項卡來訓練我們的模型。Classifier選項卡提供了幾個選項來修改我們模型的行為，包括隱藏層中的神經(jīng)元數(shù)量、學習率和 epoch 數(shù)量。

通過反復試驗的過程，我們嘗試了不同的參數(shù)組合，直到我們能夠達到符合我們標準的訓練精度。這個過程涉及調整隱藏層中的神經(jīng)元數(shù)量、學習率和 epoch 數(shù)量等。最終，我們能夠找到一組參數(shù)，從而生成具有所需訓練精度的模型，如圖所示。

在以 0.002 的學習率對模型進行總共 70 個周期的訓練后，我們能夠生成具有 100% 訓練準確率和 0.03 損失的輸出模型。

這種準確度非常高，表明我們的模型能夠準確地將流量數(shù)據(jù)分類為三類之一。此外，低損失值表明我們的模型能夠以高置信度進行預測，進一步提高了結果的可靠性。

4.模型測試

在訓練和微調我們的模型以達到高水平的準確性之后，我們現(xiàn)在準備測試它在一些以前看不見的數(shù)據(jù)上的性能。為此，我們將導航到“模型測試”選項卡并使用“全部分類”功能來評估模型的性能。

通過將該模型應用于一組新數(shù)據(jù)，我們可以確定它是否能夠準確預測流量模式并將數(shù)據(jù)分為三類之一。如果該模型在此測試數(shù)據(jù)上表現(xiàn)良好，我們可以確信它將能夠在應用于現(xiàn)實情況時提供有用且可靠的見解。

運行測試后，我們很高興地看到該模型表現(xiàn)異常出色，準確地將流量數(shù)據(jù)分類為三個類別之一，準確性很高。這些結果有力地表明我們的模型運行良好，能夠為工業(yè)管道管理提供有價值的見解。

5.部署

現(xiàn)在我們已經(jīng)創(chuàng)建并測試了一個用于預測和分類工業(yè)管道中流速模式的運行良好的模型，我們準備將其部署為Arduino 庫。

為此，我們將導航至“部署”選項卡并按照此處提供的說明為我們的模型構建Arduino 庫。

在構建庫的過程中，我們可以選擇使用EON 編譯器啟用優(yōu)化。此功能使我們能夠通過優(yōu)化代碼以在設備上高效執(zhí)行來進一步提高模型的性能。雖然這是一個可選步驟，但它對于提高模型的速度和效率很有用，特別是如果我們計劃在資源受限的環(huán)境中使用它。

在完成為我們的模型構建 Arduino 庫的過程后，我們將看到一個包含模型本身的 .zip 文件，以及一些演示如何在各種環(huán)境中使用該模型的示例。要將庫添加到 Arduino 集成開發(fā)環(huán)境 (IDE)，我們只需在 IDE 中導航至Sketch > Include Library > Add.ZIP Library ，然后選擇構建過程生成的 .zip 文件。這將安裝庫并使其可用于我們的 Arduino 項目。

static_buffer.ino為了啟用動態(tài)推理，我們需要修改位于 Arduino 集成開發(fā)環(huán)境 (IDE) 中的文件。我們可以首先打開 Arduino IDE 并導航到文件 > 示例 > 您的項目名稱 > static_buffer > static_buffer.ino 。

這將static_buffer.ino在編輯器窗口中打開文件，允許我們根據(jù)需要更改代碼。

動態(tài)推理涉及在收到新數(shù)據(jù)時實時進行預測或分類，因此我們需要修改代碼以允許實時數(shù)據(jù)處理和預測。這可能涉及添加代碼來處理傳入的數(shù)據(jù)流，將機器學習算法應用于數(shù)據(jù)，并根據(jù)結果進行預測或分類。我們可能還需要對代碼進行其他修改以支持動態(tài)推理，具體取決于我們應用程序的具體要求。一旦我們對代碼進行了必要的更改，我們就可以保存修改后的文件并使用它對我們的模型進行推理，為工業(yè)管道管理提供有價值的見解。

?

?

?