本文介紹了一種集成了自研電解質(zhì)傾角傳感器、無(wú)線模組(支持WiFi和4G)、溫濕度、電池電壓及振動(dòng)監(jiān)測(cè)模塊的低功耗傾斜穩(wěn)固性形變監(jiān)測(cè)系統(tǒng)。該系統(tǒng)設(shè)計(jì)旨在通過(guò)高精度、低功耗的技術(shù)手段，實(shí)現(xiàn)對(duì)結(jié)構(gòu)健康狀態(tài)的實(shí)時(shí)監(jiān)測(cè)與預(yù)警，特別適用于無(wú)法直接供電的遠(yuǎn)程或野外環(huán)境。本文詳細(xì)闡述了系統(tǒng)的硬件構(gòu)成、軟件平臺(tái)、核心優(yōu)勢(shì)以及在邊緣計(jì)算領(lǐng)域的應(yīng)用潛力，為結(jié)構(gòu)健康監(jiān)測(cè)領(lǐng)域提供了新的解決方案。
本文聚焦基于MCU平臺(tái)的物體檢測(cè)算法的討論，并提供了一套完整的工程實(shí)現(xiàn)示例：人臉追蹤風(fēng)扇。工程不僅提供了一個(gè)高效的物體檢測(cè)算法，并且實(shí)現(xiàn)了一個(gè)自動(dòng)追蹤人體的控制系統(tǒng)，控制雙路舵機(jī)轉(zhuǎn)動(dòng)底座，實(shí)現(xiàn)了風(fēng)扇一直跟隨人臉轉(zhuǎn)動(dòng)。本文所提供的檢測(cè)控制系統(tǒng)也可以集成到監(jiān)控設(shè)備，智能家居，工業(yè)自動(dòng)化領(lǐng)域等等。
在當(dāng)今電氣系統(tǒng)和設(shè)備日益普及的背景下，電器故障和老化等因素引發(fā)的火災(zāi)事故頻繁發(fā)生，嚴(yán)重威脅著人們的生命安全和財(cái)產(chǎn)?，F(xiàn)有的火災(zāi)預(yù)警方案多數(shù)依賴于電氣參數(shù)與固定閾值的比較，存在響應(yīng)速度慢、準(zhǔn)確性不足等問(wèn)題，無(wú)法有效應(yīng)對(duì)復(fù)雜的電氣故障情況。為了解決這種問(wèn)題，提出一種創(chuàng)新的電氣火災(zāi)預(yù)警系統(tǒng)，基于長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)技術(shù)，結(jié)合高頻電氣參數(shù)循環(huán)神經(jīng)網(wǎng)絡(luò)(HF-LSTM)和低頻電氣參數(shù)循環(huán)神經(jīng)網(wǎng)絡(luò)(LF-LSTM)進(jìn)行研究。HF-LSTM深入挖掘線路的溫升規(guī)律和超溫故障特性，而LF-LSTM則用于探索線路溫度變化的周期性模式。通過(guò)這兩種模型的結(jié)合，使系統(tǒng)能夠精確預(yù)測(cè)線路溫度，實(shí)現(xiàn)對(duì)電氣火災(zāi)風(fēng)險(xiǎn)的早期識(shí)別和預(yù)警。該系統(tǒng)突破了傳統(tǒng)模式只依賴某幾個(gè)參量的數(shù)據(jù)特征對(duì)電氣火災(zāi)危險(xiǎn)性進(jìn)行計(jì)算和研判，忽略了參量間的物理關(guān)聯(lián)，本文采用基于LSTM的動(dòng)態(tài)閾值調(diào)整機(jī)制，增強(qiáng)了時(shí)間序列信息的連續(xù)性和相關(guān)性，從而提高了預(yù)警準(zhǔn)確性和響應(yīng)速度。系統(tǒng)還引入了預(yù)警分位的概念，實(shí)現(xiàn)了火災(zāi)風(fēng)險(xiǎn)的定量評(píng)估和分級(jí)管理。硬件電路實(shí)時(shí)采集電流、電壓和溫度信息，并與物聯(lián)網(wǎng)平臺(tái)結(jié)合，實(shí)現(xiàn)實(shí)時(shí)監(jiān)控和自動(dòng)響應(yīng)。通過(guò)先進(jìn)算法，系統(tǒng)提高了對(duì)微弱信號(hào)的識(shí)別能力，確保了早期風(fēng)險(xiǎn)感知和預(yù)防。實(shí)驗(yàn)數(shù)據(jù)表明，該電氣火災(zāi)預(yù)警系統(tǒng)在預(yù)測(cè)準(zhǔn)確性和響應(yīng)速度上均顯著優(yōu)于現(xiàn)有方案，能夠有效降低火災(zāi)發(fā)生率，為保障生命和財(cái)產(chǎn)安全提供了高效可靠的解決方案。
由于傳統(tǒng)PID控制器面臨參數(shù)調(diào)整繁瑣、實(shí)時(shí)調(diào)適滯后、工況適應(yīng)局限等挑戰(zhàn)，本研究提出了一種以人工蜂群算法(Artificial Bee Colony, ABC)為核心的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化策略。研究表明，ABC算法對(duì)蜜蜂覓食行為的模擬機(jī)制，顯著增強(qiáng)了BP神經(jīng)網(wǎng)絡(luò)在參數(shù)空間中的探索能力，有效維持了粒子群的多樣性特征，構(gòu)建起了高效的PID控制參數(shù)自適應(yīng)調(diào)節(jié)框架，成功地克服了因參數(shù)失配而引發(fā)的控制效能遞減難題，確保了控制系統(tǒng)在復(fù)雜工況下的穩(wěn)定性與魯棒性，為提升控制系統(tǒng)整體性能提供了堅(jiān)實(shí)保障與有力支撐。ABC算法在提升BP神經(jīng)網(wǎng)絡(luò)性能上卓越可靠，為PID控制革新提供了依據(jù)與范式。
針對(duì)礦熱爐電極端部位置檢測(cè)精度低及開發(fā)過(guò)程中的復(fù)雜性問(wèn)題，本文介紹了一種新型差動(dòng)式磁場(chǎng)陣列檢測(cè)系統(tǒng)。該系統(tǒng)通過(guò)布置磁場(chǎng)傳感陣列，利用差動(dòng)信號(hào)處理技術(shù)，有效消除了環(huán)境干擾和系統(tǒng)噪聲，提高了電極端部位置檢測(cè)的精度和可靠性。研究首先構(gòu)建了礦熱爐磁場(chǎng)檢測(cè)模型，并基于畢奧–薩伐爾定律，分析了礦熱爐的爐外磁場(chǎng)分布。仿真驗(yàn)證了差動(dòng)式磁場(chǎng)陣列檢測(cè)方法的有效性。測(cè)試結(jié)果表明，該系統(tǒng)能夠在惡劣的工業(yè)環(huán)境中準(zhǔn)確檢測(cè)電極端部位置，為礦熱爐的高效運(yùn)行提供了有力支持。本研究為礦熱爐的工業(yè)參數(shù)檢測(cè)和控制提供了新的思路和技術(shù)支持。
智能時(shí)代的嵌入式系統(tǒng)離不開高性能、高效的軟件和先進(jìn)的軟件開發(fā)方式。本文介紹了近期嵌入式軟件開發(fā)的三個(gè)趨勢(shì)：1)邊緣計(jì)算作為一種在本地處理和分析數(shù)據(jù)的方式正在快速發(fā)展，邊緣計(jì)算與人工智能的結(jié)合正將智能計(jì)算從以云為中心的模型中轉(zhuǎn)移出來(lái)；2) 虛擬化技術(shù)是今天高算力多核處理器計(jì)算系統(tǒng)采用的全新解決方案，容器技術(shù)則可通過(guò)簡(jiǎn)化嵌入式軟件開發(fā)、部署和維護(hù)來(lái)助力復(fù)雜嵌入式系統(tǒng)的管理；3) DevOps的概念和實(shí)踐正在逐步滲透進(jìn)入嵌入式軟件開發(fā)中，助力加快軟件交付速度，提高應(yīng)用程序質(zhì)量和穩(wěn)定性。
隨著人口老齡化程度加深，社會(huì)養(yǎng)老負(fù)擔(dān)加重，處理好全社會(huì)的養(yǎng)老問(wèn)題十分重要。在全球范圍內(nèi)，老人身體健康受到許多致命疾病的威脅。而獨(dú)居老人生活中缺少家人照顧，心理上缺少慰藉，導(dǎo)致患病率更高，同時(shí)發(fā)生意外也無(wú)法及時(shí)得到救助。面臨精神、健康、意外風(fēng)險(xiǎn)三重困境，因此，他們具有更大的健康風(fēng)險(xiǎn)。本文提出的系統(tǒng)基于云–邊–端架構(gòu)實(shí)現(xiàn)，由云端服務(wù)器、感知控制和應(yīng)用服務(wù)構(gòu)成，實(shí)現(xiàn)了語(yǔ)音服務(wù)和老人應(yīng)急服務(wù)，即老人有語(yǔ)音需求時(shí)可以及時(shí)提供相應(yīng)服務(wù)，老人摔倒時(shí)可以給老人送藥并向前端發(fā)送照片和警報(bào)；前端交互模塊則由微信小程序?qū)崿F(xiàn)，使家人能遠(yuǎn)程關(guān)注家中老人的身體健康狀況。
具有開源、簡(jiǎn)單和靈活等特點(diǎn)，RISC-V架構(gòu)受到業(yè)界廣泛關(guān)注。近年來(lái)，市場(chǎng)上相繼出現(xiàn)了多款RISC-V架構(gòu)微處理器，32位RISC-V架構(gòu)MCU正逐步進(jìn)入Cortex-M MCU應(yīng)用領(lǐng)域。本文針對(duì)將應(yīng)用程序從RV32移植到Cortex-M的需求，分析RV32與Cortex-M結(jié)構(gòu)、編程模型和過(guò)程調(diào)用規(guī)范等方面的不同之處，提出程序移植過(guò)程中遇到的問(wèn)題，提出方法和建議，并進(jìn)行相關(guān)性能分析和比較。
介紹一種完全自主開發(fā)的體積小的基于MEMS無(wú)線數(shù)字地震檢波器。該檢波器主要包括以下幾個(gè)部分：MEMS傳感器板、放大采集板、FPGA控制主板、無(wú)線觸發(fā)接收板、無(wú)線WIFI模塊板和供電電源設(shè)計(jì)等。該傳感器的設(shè)計(jì)涉及多個(gè)關(guān)鍵技術(shù)點(diǎn)，包括微弱信號(hào)獲取、低功耗設(shè)計(jì)、總體結(jié)構(gòu)的合理布置、高精度和高靈敏度、無(wú)線數(shù)據(jù)通訊以及無(wú)線觸發(fā)信號(hào)接收等。應(yīng)對(duì)這些關(guān)鍵技術(shù)點(diǎn)，本設(shè)計(jì)首先對(duì)芯片和材料精挑細(xì)選、對(duì)電路和結(jié)構(gòu)進(jìn)行合理設(shè)計(jì)，滿足該檢波器各項(xiàng)技術(shù)指標(biāo)。最后通過(guò)一系列的室內(nèi)測(cè)試和野外試驗(yàn)，驗(yàn)證了該檢波器的各項(xiàng)功能和性能，為地震勘探提供高精度、高靈敏度、穩(wěn)定可靠的地震檢波器。
本研究旨在開發(fā)一種在資源受限的微控制器單元(MCU)上運(yùn)行的方法，用以進(jìn)行鼾聲檢測(cè)。不同于使用CNN進(jìn)行聲音檢測(cè)的方式，我們采用門控循環(huán)單元(GRU)模型以對(duì)音頻數(shù)據(jù)進(jìn)行處理和分析。通過(guò)采用優(yōu)化模型結(jié)構(gòu)、模型量化等常用的模型優(yōu)化方式，我們最終成功將GRU模型適配到低功耗的MCU平臺(tái)，使其能夠在不依賴外部計(jì)算資源的情況下，獨(dú)立完成端側(cè)的鼾聲檢測(cè)任務(wù)，無(wú)需聯(lián)網(wǎng)。實(shí)驗(yàn)結(jié)果表明，該模型在保持較高準(zhǔn)確性的同時(shí)，能夠有效降低系統(tǒng)算力需求，滿足移動(dòng)健康監(jiān)測(cè)設(shè)備的實(shí)時(shí)性與便攜性要求。這一研究為鼾癥患者的持續(xù)監(jiān)測(cè)和睡眠健康管理提供了一種新的解決方案，同時(shí)也拓展了深度學(xué)習(xí)在嵌入式系統(tǒng)中的應(yīng)用前景。
在物聯(lián)網(wǎng)設(shè)備與云端之間的通信中，MQTT作為一種輕量級(jí)的、基于發(fā)布-訂閱模式的通信協(xié)議，具備了良好的適用性和靈活性，被廣泛應(yīng)用于物聯(lián)網(wǎng)領(lǐng)域。在OpenHarmony的LiteOS內(nèi)核上利用MQTT連接云平臺(tái)是一項(xiàng)關(guān)鍵的技術(shù)任務(wù)，它涉及在輕量級(jí)操作系統(tǒng)上實(shí)現(xiàn)MQTT協(xié)議的客戶端功能，并與云端平臺(tái)進(jìn)行穩(wěn)定和高效的通信，因此需要選擇合適的MQTT庫(kù)，并進(jìn)行有效的移植和優(yōu)化，以保證在資源受限的環(huán)境下依然能夠?qū)崿F(xiàn)穩(wěn)定可靠的通信連接。海思Hi3861芯片采用了LiteOS內(nèi)核。文章探討了在海思Hi3861芯片上移植和使用Paho MQTT庫(kù)連接到華為云的實(shí)現(xiàn)過(guò)程和關(guān)鍵技術(shù)。文章首先介紹了MQTT的相關(guān)知識(shí)，然后詳細(xì)討論了嵌入式Paho MQTT庫(kù)的內(nèi)容，接著介紹Hi3861芯片相關(guān)功能及其移植Paho MQTT的方式，最后描述了使用移植好的程序連接華為云MQTT的步驟，包括設(shè)備鑒權(quán)方式和消息發(fā)布訂閱的實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果驗(yàn)證了在Hi3861平臺(tái)上使用Paho MQTT庫(kù)連接到華為云的可行性和效果。文章的結(jié)尾探討了項(xiàng)目未來(lái)的工作。
文章展望了AGI時(shí)代的特點(diǎn)及人才金字塔結(jié)構(gòu)的分布，重點(diǎn)分析了AGI時(shí)代電子及計(jì)算機(jī)工程師的行業(yè)發(fā)展趨勢(shì)及特點(diǎn)，并建言當(dāng)今電子及計(jì)算機(jī)工程師如何應(yīng)對(duì)AGI時(shí)代的來(lái)臨。
超市水果識(shí)別主要依賴人工，計(jì)算機(jī)視覺(jué)成為一種解決方案。然而目前仍面臨部分水果識(shí)別精度低、終端設(shè)備部署困難、誤識(shí)別圖片難處理等挑戰(zhàn)。因此，文章基于深度學(xué)習(xí)對(duì)移動(dòng)端水果識(shí)別進(jìn)行研究，旨在替代人工識(shí)別。首先文章構(gòu)建了包含49種水果的超市水果圖像數(shù)據(jù)集DailyFruit-49。并針對(duì)細(xì)分類特征相似度高、包裝遮擋、形狀小量少的水果識(shí)別困難，以及低算力設(shè)備模型部署問(wèn)題，篩選了滿足部署要求的骨干模型。設(shè)計(jì)了新的注意力模塊RMA，改進(jìn)了ViT Block以增強(qiáng)模型的細(xì)節(jié)識(shí)別能力和深層語(yǔ)義特征整合能力，最終得到DenseRMA_ViT模型，并基于Focal Loss改進(jìn)損失函數(shù)。并在公開數(shù)據(jù)集Fruits-262上進(jìn)行消融實(shí)驗(yàn)驗(yàn)證模型改進(jìn)的有效性。最后結(jié)合實(shí)際設(shè)備，實(shí)現(xiàn)水果識(shí)別系統(tǒng)，滿足實(shí)際使用?；谂c用戶的交互行為對(duì)誤識(shí)別水果圖像進(jìn)行收集，并基于誤識(shí)別圖像實(shí)現(xiàn)模型權(quán)重自動(dòng)微調(diào)，隨使用時(shí)間延長(zhǎng)，系統(tǒng)收集更多圖片，提升模型識(shí)別精度與泛化能力，以處理實(shí)際應(yīng)用中誤識(shí)別水果。
在當(dāng)前嵌入式系統(tǒng)與人工智能技術(shù)融合的前沿領(lǐng)域，文章聚焦于一種基于單類支持向量機(jī)(One-Class SVM)的異常檢測(cè)算法，并提供了一套完整的MCU友好的工程實(shí)現(xiàn)，不需要依賴于動(dòng)態(tài)內(nèi)存分配以及文件系統(tǒng)，特別適合于在資源受限的邊緣設(shè)備上進(jìn)行高效、實(shí)時(shí)的訓(xùn)練與預(yù)測(cè)。我們的方法不僅可以實(shí)現(xiàn)在MCU上訓(xùn)練和高效存儲(chǔ)機(jī)器學(xué)習(xí)模型，還支持增量學(xué)習(xí)，從而在幾乎不增加計(jì)算負(fù)擔(dān)的前提下，持續(xù)改進(jìn)模型對(duì)實(shí)際工況的適應(yīng)能力。我們的實(shí)驗(yàn)裝置是安裝了三軸加速度傳感器的震動(dòng)源(如風(fēng)扇)，以模擬在工作期間發(fā)出振動(dòng)的工業(yè)設(shè)備。文章的方法也可以通過(guò)替換傳感器和特征計(jì)算的預(yù)處理算法來(lái)實(shí)現(xiàn)對(duì)其它設(shè)備的監(jiān)控，以適應(yīng)不同的工況環(huán)境和應(yīng)用的需求。
巷道掘進(jìn)中孔中地震高精度預(yù)報(bào)系統(tǒng)是完全自主開發(fā)的高性能產(chǎn)品。該預(yù)報(bào)系統(tǒng)主要是由“井下”和“地面”兩大部分組成的。其中，井下部分主要是由1個(gè)無(wú)線主機(jī)、3個(gè)無(wú)線探頭、1個(gè)無(wú)線觸發(fā)器、1個(gè)震源銅錘、1根觸發(fā)信號(hào)線以及其它配件(如：蜂鳴器、錘墊等)組成。主要功能是進(jìn)行現(xiàn)場(chǎng)數(shù)據(jù)采集和存儲(chǔ)，如果無(wú)線主機(jī)安裝有分析軟件，就可在現(xiàn)場(chǎng)解析出探測(cè)結(jié)果。井下設(shè)備都是本質(zhì)安全型設(shè)計(jì)，并且通過(guò)了國(guó)家煤礦安全機(jī)構(gòu)的防爆性能檢測(cè)和安全認(rèn)證。地面部分主要是由PC機(jī)、儀器電源適配器(充電器)和分析軟件組成的，其主要功能是對(duì)所采集的地質(zhì)數(shù)據(jù)進(jìn)行轉(zhuǎn)儲(chǔ)、深度解析、分析處理和形成成果報(bào)告文件，亦即預(yù)報(bào)結(jié)果。該系統(tǒng)與同類產(chǎn)品相比精度高、準(zhǔn)確率高和施工方便的優(yōu)勢(shì)。
本站介紹 歡迎投稿 隱私聲明 廣告業(yè)務(wù) 網(wǎng)站地圖 聯(lián)系我們 誠(chéng)聘英才
21IC電子網(wǎng) 2000- 版權(quán)所有
