Previsione della temperatura ambiente tramite sensore LM35 e apprendimento automatico: 4 passaggi

2024 Autore: John Day | [email protected]. Ultima modifica: 2024-01-30 10:02

introduzione

Oggi ci concentriamo sulla costruzione di un progetto di apprendimento automatico che predice la temperatura tramite regressione polinomiale.

L'apprendimento automatico è un'applicazione dell'intelligenza artificiale (AI) che fornisce ai sistemi la capacità di apprendere e migliorare automaticamente dall'esperienza senza essere esplicitamente programmati. L'apprendimento automatico si concentra sullo sviluppo di programmi per computer in grado di accedere ai dati e utilizzarli per apprendere da soli.

Regressione polinomiale: la regressione polinomiale è una forma di analisi di regressione in cui la relazione tra la variabile indipendente x e la variabile dipendente y è modellata come un polinomio di ennesimo grado in x.

Previsione: l'apprendimento automatico è un modo per identificare modelli nei dati e utilizzarli per fare previsioni o decisioni automaticamente. … Per la regressione, imparerai come misurare la correlazione tra due variabili e calcolare una linea più adatta per fare previsioni quando la relazione sottostante è lineare.

2. Cose usate in questo progetto

Componenti hardware

1. Cavi jumper femmina/femmina× (secondo necessità)
2. Tagliere (generico)×1
3. Sensore LM35 × 1
4. Bolt IoT Modulo WiFi Bolt × 1

App software e servizi online

1. Bolt IoT Bolt CloudBolt
2. App Android IoT

Passaggio 1: collegamento del sensore LM35 al bullone

Passaggio 1: tenere il sensore in modo tale da poter leggere LM35 scritto su di esso.

Passaggio 2: in questa posizione, identifica i pin del sensore come VCC, Output e Gnd da sinistra a destra.

Nell'immagine Hardware, VCC è collegato al filo rosso, Output è collegato al filo arancione e Gnd è collegato al filo marrone.

Passaggio 3: utilizzando un cavo maschio-femmina, collegare i 3 pin dell'LM35 al modulo Bolt Wifi come segue:

• Il pin VCC dell'LM35 si collega ai 5v del modulo Bolt Wifi.
• Il pin di uscita dell'LM35 si collega a A0 (pin di ingresso analogico) del modulo Bolt Wifi.
• Il pin Gnd dell'LM35 si collega al Gnd.

Passaggio 2: previsione della temperatura

Passaggio 1: eseguire le stesse connessioni della schermata "Connessioni hardware per il monitor della temperatura", nell'argomento "Interfaccia sensore su VPS" del modulo "Cloud, API e avvisi".

Passaggio 2: accendi il circuito e lascia che si colleghi a Bolt Cloud. (Il LED Verde del Bolt dovrebbe essere acceso)

Passaggio 3: vai su cloud.boltiot.com e crea un nuovo prodotto. Durante la creazione del prodotto, scegli il tipo di prodotto come Dispositivo di output e il tipo di interfaccia come GPIO. Dopo aver creato il prodotto, selezionare il prodotto creato di recente e quindi fare clic sull'icona di configurazione.

Passaggio 4: nella scheda hardware, seleziona il pulsante di opzione accanto al pin A0. Assegna al pin il nome 'temp' e salva la configurazione utilizzando l'icona 'Salva'.

Passaggio 5: passare alla scheda del codice, assegnare al codice del prodotto il nome "previsione" e selezionare il tipo di codice come js.

Passaggio 6: scrivere il codice seguente per tracciare i dati di temperatura ed eseguire l'algoritmo di regressione polinomiale sui dati e salvare le configurazioni del prodotto.

setChartLibrary('google-chart');

setChartTitle('PolynomialRegression');

setChartType('PredictionGraph');

setAxisName('time_stamp', 'temp');

mul(0.0977);

plotChart('time_stamp', 'temp');

Passaggio 7: nella scheda prodotti, selezionare il prodotto creato e quindi fare clic sull'icona del collegamento. Seleziona il tuo dispositivo Bolt nel popup e quindi fai clic sul pulsante "Fine".

Passaggio 8: fare clic sul pulsante "distribuisci configurazione" e quindi sull'icona "visualizza questo dispositivo" per visualizzare la pagina che hai progettato. Di seguito è riportato lo screenshot dell'output finale.

Passaggio 9: attendere circa 2 ore affinché il dispositivo carichi un punto dati sufficiente sul cloud. È quindi possibile fare clic sul pulsante di previsione per visualizzare il grafico di previsione basato sull'algoritmo di regressione polinomiale.