STWIN.boxを使用してファンコイル･システムを監視および分類する方法

冷暖房空調設備をはじめとするファンコイル･システムの監視と分類は、予知保全、性能の最適化、エネルギー効率改善に欠かせません。

こうした異常検知、予測モデル、分類、回帰分析などのアプリケーション分野ではセンサと機械学習の手法が用いられます。

そこで活躍するのがエッジAIです。エッジAIはセンサ･レベルでファンの状態を監視して電力を節減します。

このユースケースでは、STWIN.boxボード上のST MEMSセンサを使用して、ファンコイル監視システムを実装する例をご紹介します。

アプリケーションの動作原理

振動はISM330DHCXの機械学習コア（MLC）の設定に基づいて、静止、低振動、高振動という3つの分類のいずれかとして識別されます。

加速度センサのデータ･レートは6667Hz、最大測定範囲は16gに設定します。

3つの分類は、ISM330DHCX MLCで実行されるデシジョン･ツリーで識別します。

ISM330DHCXは、機械学習コア、ステート･マシン、産業アプリケーション用デジタル出力を備えた慣性測定ユニット（IMU）です。

このセンサは、IoTなどによる産業用センシング･アプリケーション（状態監視/予知保全など）の試作や検証に威力を発揮する開発キットSTWIN.boxボードに実装されています。

データセット：静止、低振動、高振動の3分類

加速度センサのデータ･レートは6667Hz、最大測定範囲は16gに設定します。

モデル：3つの分類を均等に含む約740秒のデータセットによって学習済みです。

得られるデシジョン･ツリー･モデルは、99.35%の正確度を示します。

このユースケースは、以下のリソースを使用して簡単に再現できます。

ST AIoT Craftでユースケースを開きます。
モータまたはポンプなど、他の機械で動作させるためにセンサ内AIの再学習を行えるように、プロジェクトを自分のワークスペースに複製します。
この例を使用するには、ボードをファンの前面、つまり空気が送出される側にしっかりと固定する必要があります。正確な分類結果を得るには、ボードのボタンが外側を向くように（ファンの反対側を向くように）、USBポートが地面の方向を向くように配置します。