Πρόβλεψη θερμοκρασίας δωματίου μέσω αισθητήρα LM35 και μηχανικής εκμάθησης: 4 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:35

Εισαγωγή

Σήμερα επικεντρωνόμαστε στην κατασκευή ενός έργου μηχανικής μάθησης που προβλέπει τη θερμοκρασία μέσω πολυωνυμικής παλινδρόμησης.

Η μηχανική μάθηση είναι μια εφαρμογή τεχνητής νοημοσύνης (AI) που παρέχει στα συστήματα τη δυνατότητα να μαθαίνουν αυτόματα και να βελτιώνονται από την εμπειρία χωρίς να προγραμματίζονται ρητά. Η μηχανική μάθηση επικεντρώνεται στην ανάπτυξη προγραμμάτων υπολογιστών που μπορούν να έχουν πρόσβαση σε δεδομένα και να τα χρησιμοποιούν για να μαθαίνουν μόνοι τους.

Πολυωνυμική παλινδρόμηση: -Πολυωνυμική παλινδρόμηση είναι μια μορφή ανάλυσης παλινδρόμησης κατά την οποία η σχέση μεταξύ της ανεξάρτητης μεταβλητής x και της εξαρτημένης μεταβλητής y διαμορφώνεται ως πολυώνυμο ν 'βαθμού στο x.

Πρόβλεψη: -Η μηχανική μάθηση είναι ένας τρόπος αναγνώρισης μοτίβων στα δεδομένα και η χρήση τους για αυτόματη λήψη προβλέψεων ή αποφάσεων. … Για παλινδρόμηση, θα μάθετε πώς να μετράτε τη συσχέτιση μεταξύ δύο μεταβλητών και να υπολογίζετε μια γραμμή που ταιριάζει καλύτερα για την πραγματοποίηση προβλέψεων όταν η υποκείμενη σχέση είναι γραμμική.

2. Πράγματα που χρησιμοποιούνται σε αυτό το έργο

Συστατικά υλικού

1. Γυναικεία/Γυναικεία καλώδια βραχυκυκλωτή × (ανάλογα με τις ανάγκες)
2. Breadboard (γενική) × 1
3. Αισθητήρας LM35 × 1
4. Bolt IoT Bolt WiFi Module × 1

Εφαρμογές λογισμικού και διαδικτυακές υπηρεσίες

1. Bolt IoT Bolt CloudBolt
2. Εφαρμογή IoT Android

Βήμα 1: Σύνδεση του αισθητήρα LM35 στο μπουλόνι

Βήμα 1: Κρατήστε τον αισθητήρα με τέτοιο τρόπο ώστε να μπορείτε να διαβάσετε το LM35 γραμμένο πάνω του.

Βήμα 2: Σε αυτήν τη θέση, προσδιορίστε τις ακίδες του αισθητήρα ως VCC, Output και Gnd από τα αριστερά σας προς τα δεξιά.

Στην εικόνα υλικού, το VCC συνδέεται με το κόκκινο σύρμα, η έξοδος συνδέεται με το πορτοκαλί σύρμα και το Gnd συνδέεται με το καφέ σύρμα.

Βήμα 3: Χρησιμοποιώντας αρσενικό σε θηλυκό σύρμα συνδέστε τις 3 ακίδες του LM35 στη μονάδα Bolt Wifi ως εξής:

• Ο πείρος VCC του LM35 συνδέεται με 5v της μονάδας Bolt Wifi.
• Ο πείρος εξόδου του LM35 συνδέεται με το A0 (Analog input pin) της μονάδας Bolt Wifi.
• Ο πείρος Gnd του LM35 συνδέεται με το Gnd.

Βήμα 2: Πρόβλεψη της θερμοκρασίας

Βήμα 1: Πραγματοποιήστε τις ίδιες συνδέσεις με την οθόνη «Συνδέσεις υλικού για οθόνη θερμοκρασίας», στο θέμα «Αισθητήρας διασύνδεσης μέσω VPS» της ενότητας «Σύννεφο, API και ειδοποιήσεις».

Βήμα 2: Ενεργοποιήστε το κύκλωμα και αφήστε το να συνδεθεί στο Bolt Cloud. (Η πράσινη λυχνία LED του μπουλονιού πρέπει να είναι αναμμένη)

Βήμα 3: Μεταβείτε στο cloud.boltiot.com και δημιουργήστε ένα νέο προϊόν. Κατά τη δημιουργία του προϊόντος, επιλέξτε τον τύπο προϊόντος ως συσκευή εξόδου και τον τύπο διεπαφής ως GPIO. Αφού δημιουργήσετε το προϊόν, επιλέξτε το προϊόν που δημιουργήθηκε πρόσφατα και, στη συνέχεια, κάντε κλικ στο εικονίδιο διαμόρφωσης.

Βήμα 4: Στην καρτέλα υλικού, επιλέξτε το κουμπί επιλογής δίπλα στην καρφίτσα A0. Δώστε στο pin το όνομα 'temp' και αποθηκεύστε τη διαμόρφωση χρησιμοποιώντας το εικονίδιο 'Save'.

Βήμα 5: Μεταβείτε στην καρτέλα κωδικών, δώστε στον κωδικό προϊόντος το όνομα «προβλέψω» και επιλέξτε τον τύπο κώδικα ως js.

Βήμα 6: Γράψτε τον ακόλουθο κώδικα για να σχεδιάσετε τα δεδομένα θερμοκρασίας και να εκτελέσετε τον πολυώνυμο αλγόριθμο παλινδρόμησης στα δεδομένα και να αποθηκεύσετε τις διαμορφώσεις του προϊόντος.

setChartLibrary ('google-chart');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('time_stamp', 'temp');

mul (0,0977);

plotChart ('time_stamp', 'temp');

Βήμα 7: Στην καρτέλα προϊόντα, επιλέξτε το προϊόν που δημιουργήθηκε και, στη συνέχεια, κάντε κλικ στο εικονίδιο συνδέσμου. Επιλέξτε τη συσκευή Bolt στο αναδυόμενο παράθυρο και, στη συνέχεια, κάντε κλικ στο κουμπί "Τέλος".

Βήμα 8: Κάντε κλικ στο κουμπί "ανάπτυξη διαμόρφωσης" και στη συνέχεια στο εικονίδιο "προβολή αυτής της συσκευής" για να δείτε τη σελίδα που έχετε σχεδιάσει. Παρακάτω είναι το στιγμιότυπο οθόνης της τελικής εξόδου.

Βήμα 9: Περιμένετε περίπου 2 ώρες για να ανεβάσει η συσκευή αρκετό σημείο δεδομένων στο Cloud. Στη συνέχεια, μπορείτε να κάνετε κλικ στο κουμπί πρόβλεψης για να δείτε το γράφημα πρόβλεψης με βάση τον αλγόριθμο πολυωνυμικής παλινδρόμησης.