新聞中心

EEPW首頁 > 智能計算 > 設(shè)計應(yīng)用 > 部署邊緣檢測AI與卡爾曼濾波，實現(xiàn)自鎖與打嗝模式

部署邊緣檢測AI與卡爾曼濾波，實現(xiàn)自鎖與打嗝模式

作者：OrangeBig 時間：2025-08-20 來源：EEPW 收藏

1   濾波

卡爾曼濾波是一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計的算法。它在信號處理、控制理論、導(dǎo)航等領(lǐng)域有著廣泛應(yīng)用。

1.1 核心思想與基本假設(shè)

核心思想：通過融合系統(tǒng)的動態(tài)模型（預(yù)測）和實際觀測數(shù)據(jù)（校正），以遞歸方式估計系統(tǒng)狀態(tài)，最小化估計誤差的方差。

基本假設(shè)：系統(tǒng)是線性的（或可近似線性化）。噪聲符合高斯分布（過程噪聲和觀測噪聲均為白噪聲）。初始狀態(tài)的估計誤差已知。

1.2 數(shù)學(xué)模型與遞歸過程

卡爾曼濾波基于兩個關(guān)鍵方程：預(yù)測方程和校正方程，通過迭代更新實現(xiàn)最優(yōu)估計。

1>狀態(tài)空間模型

狀態(tài)方程（系統(tǒng)動態(tài)模型）：（x_k = A_kx_{k-1}+B_ku_k+w_k）其中：

（x_k）為k時刻的狀態(tài)向量；

（A_k）為狀態(tài)轉(zhuǎn)移矩陣；

（u_k）為控制輸入向量，（B_k）為控制矩陣；

（w_k）為過程噪聲，服從高斯分布（w_k sim N(0,Q_k)）。

觀測方程（測量模型）：（z_k = H_kx_k + v_k）其中：

（z_k）為觀測向量；

（H_k）為觀測矩陣；

（v_k）為觀測噪聲，服從高斯分布（v_k sim N(0,R_k)）。

2> 遞歸過程（兩個階段）

階段1：預(yù)測（時間更新）

狀態(tài)預(yù)測：（hat{x}_{k|k-1} = A_khat{x}_{k-1|k-1} +B_ku_k）（基于前一時刻的最優(yōu)估計預(yù)測當(dāng)前狀態(tài)）。

誤差協(xié)方差預(yù)測：（P_{k|k-1} = A_kP_{k-1|k-1}A_k^T + Q_k）（預(yù)測當(dāng)前狀態(tài)估計的不確定性）。

階段2：校正（測量更新）

卡爾曼增益計算：（K_k = P_{k|k-1}H_k^T（H_kP_{k|k-1}H_k^T + R_k）^{-1}）（確定觀測數(shù)據(jù)對狀態(tài)估計的權(quán)重，平衡預(yù)測與觀測的不確定性）。

狀態(tài)更新：（hat{x}_{k|k} = hat{x}_{k|k-1} + K_k(z_k -H_khat{x}_{k|k-1})）（結(jié)合觀測數(shù)據(jù)修正預(yù)測狀態(tài)，得到最優(yōu)估計）。誤差協(xié)方差更新：（P_{k|k} = (I - K_kH_k)P_{k|k-1}）（更新當(dāng)前狀態(tài)估計的不確定性，為下一時刻做準(zhǔn)備）。

1.3 優(yōu)勢

1> 無需存儲歷史數(shù)據(jù)，僅需當(dāng)前觀測和前一時刻的估計，計算效率高，適合實時應(yīng)用。

2> 可處理噪聲統(tǒng)計特性已知的系統(tǒng)，通過調(diào)整噪聲協(xié)方差矩陣（Q、R）適應(yīng)不同場景。

1.4 使用

1> 添加程序，這里我放在了SOFTWARE 目錄下，將其添加到路徑下，與屏幕驅(qū)動引入相同，頭文件引入等，這里不贅述。

2> 變量聲明，首先需要聲明變量，每個數(shù)據(jù)源設(shè)置一個變量，若使用一個，各個數(shù)據(jù)會相互影響，

image.png

image.png

3>初始化，將我們上一步聲明的變量取地址，后面跟參數(shù)，

image.png

4>濾波，調(diào)用函數(shù)

image.png

代碼如下

image.png

image.png

1755739728247745.png

image.png

這個函數(shù)以用于多種單片機中，可自行移植嘗試。

2   串口發(fā)送

這里和串口接收分開寫，前期還用不到接收，就不寫明。如果使用官方板卡建立工程，那么可以跳過第一步的cubemx 配置。

2.1 cubemx配置

1755656097506530.png

使能串口2，設(shè)置為異步模式，其他保持默認(rèn)，而后更新代碼。

2.2 重映射到printf函數(shù)

image.png

image.png

2.3 濾波后發(fā)送到串口

將下列放置在while中，cureer為浮點數(shù)，請確保已經(jīng)打開浮點數(shù)pritf。

image.png

3   VOFA簡單配置

此時可以打開VOfa+進(jìn)行數(shù)據(jù)收集選擇當(dāng)前對應(yīng)端口號，串口，波特率115 200。

1755656367996238.png

1755656392715460.png

其他默認(rèn)即可，按左上角按鈕開啟串口：

1755656421616379.png

查看有無數(shù)據(jù)進(jìn)入：

1755656440226853.png

左側(cè)選擇第四項控件，第一個就是示波器。

1755656467309928.png

拖動到右側(cè)tab欄，右擊全部填充。

1755656511957925.png

再右擊，如圖將數(shù)據(jù)引入Y軸。

1755656551472548.png

可以通過修改輸入傳入是否濾波，觀察對比濾波前后的樣子。

1755656588228443.png

4   模型訓(xùn)練

完成上兩部分準(zhǔn)備工作后，我們就可以進(jìn)行模型的訓(xùn)練了新建項目需要通過串口進(jìn)行數(shù)據(jù)采集，簡單介紹一下Nanoedge AI Studio是用于STM32部署邊緣AI的軟件，Studio可生成四種類型的庫：異常檢測、單分類、多分類、預(yù)測。

它支持所有類型的傳感器，所生成的庫不需要任何云連接，可以直接在本地學(xué)習(xí)與部署，支持STM32所有MCU系列。

1755656672895120.png

意味著你可以將模型部署在任意的MCU，大小限制可以自行選擇。

其他廠商的MCU不確定能否支持這里的模型。

正式開始前請先關(guān)閉VOfa+的串口連接。

4.1 新建模型訓(xùn)練工程

打開NanoEdge AI Studio，點擊NEW PROJECT：

1755657488409924.png

選擇第一項，大意是使用設(shè)備學(xué)習(xí)檢測信號中的異常使用模型識別數(shù)據(jù)中的異常模式。

該模型可以在學(xué)習(xí)階段適應(yīng)并逐步收集知識，以預(yù)測潛在的異常行為。

我們需要用到檢測，選擇這個即可：

1755657533645569.png

設(shè)置工程名稱，選擇MCU或板卡等，數(shù)據(jù)類型選第二項Current電流：

1755657605705696.png

4.2 信號采集

進(jìn)入這個界面，上面是正常信號，下面是異常信號，配置方式相同。

1755657660841802.png

以正常信號為例。

1755657715651702.png

串行USB信號，文件導(dǎo)入和采集器。

我們剛剛使用串口發(fā)送電流信號，因此選擇串行USB信號。

image.png

其他默認(rèn)，如果你只想采集需要的數(shù)據(jù)條數(shù)，勾選最多數(shù)據(jù)限制。

確保你的電機正常運轉(zhuǎn)，點擊START開始。

1755657778426590.png

采集完成導(dǎo)入數(shù)據(jù)。

完成后再進(jìn)行異常信號采集。

需要注意一點，請將電機在故障狀態(tài)下運行，例如負(fù)載過大限制轉(zhuǎn)速等。

其他步驟與上述正常采集相同，這里不在贅述。

4.3 模型訓(xùn)練

選擇左上角添加，打開如下界面，勾選正常與異常數(shù)據(jù)后開始訓(xùn)練。

1755657825404119.png

整個過程相對較慢。

1755657856568896.png

運行時主要使用CPU，設(shè)置中也沒有GPU 的相關(guān)選項，此過程大概不需要顯卡（截至2025 年5 月23 日5.02 版本）。筆者的配置如下：

13th Gen Intel(R) Core(TM)i9-13900H 加32G 內(nèi)存

105 條正常信號，229 條異常信號。

總共用時兩2 小時12 分25 秒。

image.png

先看一下跑完的樣子，這是整個模型的參數(shù)，質(zhì)量指數(shù)99.3 分，質(zhì)量高還是很高的，準(zhǔn)確率99.8%，占用RAM 0.1 kB，占用flash 1.9 kB。

image.png

這個是演變圖，藍(lán)色是質(zhì)量指數(shù)，綠色是精準(zhǔn)度，藍(lán)色是RAM，紅色是flash。

這里能實時且直觀的展示整個模型訓(xùn)練的狀態(tài)。

1755661206790763.png

訓(xùn)練軌跡：

1755661242259276.png

歷史迭代：

1755661275315938.png

還有其他圖像這里就不展示了，如果你訓(xùn)練過yolo模型會發(fā)現(xiàn)這個過程的演變和迭代是很相似的。

4.4 模型測試與繼續(xù)訓(xùn)練

1755662162756681.png

這個過程可以繼續(xù)對模型進(jìn)行訓(xùn)練，也可以進(jìn)行測試，模型訓(xùn)練結(jié)果我比較滿意，就不繼續(xù)訓(xùn)練了。

測試

點擊本地運行：

1755662192428040.png

先是對正常信號進(jìn)行采集學(xué)習(xí)，確保電機正常工作后，點擊開始：

1755662219496391.png

采集足夠的信號后，點擊進(jìn)行GO TO DETECTION轉(zhuǎn)到檢測：

1755662248495941.png

整個過程很準(zhǔn)確，效果如下：

1755662274378567.png

4.5 獲取模型與部署

按照如下勾選，我們是單模型，需要程序接口，數(shù)據(jù)類型是浮點數(shù)。

而后點擊部署庫：

1755662316439693.png

將得到的壓縮包解壓后得到如下文件，主要用到這兩個文件，一個是庫，另一個是調(diào)用的API接口。

1755662348670160.png

image.png

5   工程構(gòu)建

5.1 文件配置

如圖所示。這樣放置是個人習(xí)慣，你也可以將它放置在任意順眼的地方。

image.png

添加路徑到源文件。

1755662412518982.png

包含：

1755662454494081.png

庫路徑。

1755662481488687.png

庫名稱，命名為neai。

1755662506600070.png

5.2 添加必要程序

參考生成偽代碼：

image.png

image.png

image.png

引用頭文件后和定義后，添加必要參數(shù)，寫入緩存。

1755662633542539.png

學(xué)習(xí)，這里我用OLED顯示進(jìn)行的過程，由于學(xué)習(xí)速度太快，我這里用了延時。

1755662666241445.png

更新事件：

1755662693327137.png

串口回傳數(shù)據(jù)：

printf(“%d,%.2f,%.2f,%.2frn”,similarity,current,busVoltage,power);

整個工程框架構(gòu)建完成。

詳細(xì)過程請參考附件的工程。

6   加入中斷接收

回到cubeMX，找到串口，使能串口中斷。

1755662729496517.png

重新生成后在while前添加開啟中斷。

1755662766109001.png

重新定義中斷回傳函數(shù)，先判斷是不是我們的串口2發(fā)送過來的，然后在里面寫入我們的需求。

1755746168437602.png

1755746235956375.png

1755746291784763.png

其中回傳末尾重新開啟中斷：

1755662876621088.png

1755742505423143.png

1755662912265334.png

1755742571741329.png

串口結(jié)束與清除位數(shù)：

1755662940620767.png

1755662955280915.png

中斷接收完成。

7   自鎖模式與打嗝模式

以下是自鎖模式與打嗝模式，請分別注釋后使用。

1755741555464753.png

image.png

其中switch_clocks 是全局變量，會根據(jù)中斷接收到的字符進(jìn)行更新，從而實現(xiàn)自鎖或打嗝。

繼電器函數(shù)定義

1755663052598507.png

image.png

定義的繼電器GPIO。

（本文來源于《EEPW》202508）

評論


相關(guān)推薦

技術(shù)專區(qū)

關(guān)閉