描述

概述

基于云的服務將成為 IoT（物聯網）發展的核心部分。該項目探索了一個潛在的現實世界應用，即汽車發動機數據收集和分析。所有車輛都包含一個 OBD-II 診斷端口，可以訪問大量內部數據。該項目收集部分數據，將其發送到 Microsoft Azure 物聯網中心，使用 Azure 流分析和機器學習對其進行分析，并將結果存儲在 Azure Blob 存儲中。

此類分析之一是及早發現維護問題；在這個原型系統中，我們監測發動機冷卻液溫度并尋找異常情況。機器學習算法學習正常溫度行為，然后對異常情況進行分類。為了更豐富和更準確的建模，我們包括月份信息，使系統能夠了解行為的季節性變化。

?

該項目使用帶有 ARM 處理器和集成 WiFi 的 Arduino MKR1000 板。它是作為由 Arduino.cc 和 Microsoft 贊助的“世界最大的 Arduino 創客挑戰賽”的一部分而開發的。它被稱為 Car Smart 是指使用機器學習進行數據分析。

該設備是一個“黑匣子”，安裝在車輛中，沒有人機界面。您可以在上圖中看到頂部的 ODB-II 接口板和下方的 Arduino。由于該項目的重點是將智能轉移到云端，因此車載設備是一個簡單的數據記錄器，本身不進行數據分析。

IoT 中心傳入數據

?

Microsoft Azure 流分析作業獲取這些傳入消息，使用自定義Azure 機器學習 Web 服務處理它們，并將結果寫入Azure Blob 存儲中的 CSV 文件。在這里，流分析儀表板顯示了隨著事件的到來而爆發的活動。

Azure 流分析儀表板

?

現在的結果是一個簡單的 CSV 文件，其中包含記錄的溫度和機器學習分類為低、正常或高。請注意，當溫度高于基于訓練數據的預期時，HIGH 分類的變化。

?

下面顯示的機器學習算法是一個多重決策林。上傳了訓練數據電子表格以訓練模型。訓練數據包含數百個樣本以及低/正常/高分類。訓練后，訓練后的模型可以部署為 Web 服務，用于對新的數據樣本進行分類。

Azure 機器學習模型訓練實驗

?

設置 Azure

您必須先創建一個 Microsoft Azure 帳戶。Azure 提供免費試用和按使用量計費的計劃。然后需要創建以下 Azure 服務：

1.物聯網中心

給它起個名字；我的是 LovegroveVehicle。然后我的主機名是?LovegroveVehicle.azure-devices.net

在密鑰圖標下可用的是共享訪問密鑰和連接字符串，出于安全考慮，此處不再重復。

接下來在您的 IoT 中心創建一個設備。我使用 IoT Hub SDK 中的免費Device Explorer程序執行此操作并在 Windows 10 上運行。為Device Explorer提供集線器連接字符串以進行訪問。IoT 中心使用共享訪問簽名來確保安全，該程序將為您創建一個 SAS 令牌以包含在您的設備中。該程序還有一個數據選項卡，可顯示來自您設備的傳入數據。

2.存儲帳戶

請注意，Azure 服務具有地理區域。他們并不總是默認到同一個區域。使它們都在同一個區域以獲得最佳結果。

3. 機器學習工作區

機器學習有自己獨立的門戶網站，稱為機器學習工作室，您可以在其中構建訓練實驗，然后將經過訓練的模型發布為 Web 服務。稍后查看有關構建此 Web 服務的詳細信息，但請在創建需要它的流分析作業之前執行此操作。

4. 流分析作業

流分析作業包含三個部分

• 一個輸入。這是來自您的 IoT 中心的數據流
• 功能。將您的機器學習 Web 服務添加為函數，使其可用于流分析。您選擇的別名將是查詢中的函數名稱。
• 用于選擇輸入數據、應用函數并生成輸出的查詢。
• 一個輸出。在我們的原型中，它只是 blob 存儲中的一個 CSV 文件，為我們提供了多種下載和進一步分析的選項。

以下是當前查詢。

    WITH subquery AS (  

        SELECT Temp, tempstate(Month, Temp) as result from carsmart  

    )  

    Select Temp, result.[Scored Labels]  

    Into carsmartoutput  

    From subquery  

?

創建和訓練機器學習服務

機器學習需要一組訓練數據。將來系統可以實時學習汽車特性，但對于本次演示，我們將使用我們提供的一些已經分類的數據對模型進行預訓練。為此，我們創建了一個根據我們希望 ML 系統學習的分布計算的隨機數據的電子表格。此電子表格是在 Windows 10 下的 Excel 2016 中創建的，然后在 Azure 存儲帳戶中保存為 CSV 文件。電子表格可以在代碼存儲庫中找到。輸入數據是月份和溫度。類別為低溫、正常和高溫。

訓練數據

?

準備好訓練數據后，創建一個新的機器學習“實驗”。該實驗如下圖所示，由以下組件構成：

• 訓練數據集
• 拆分數據函數，將數據拆分為訓練和測試子集
• 選擇的機器學習算法；我選擇了多類決策森林。我希望它能學習我們的三類月份/溫度對。
• “訓練模型”模塊，以算法和一個數據子集作為輸入。雙擊模塊并選擇代表正確分類的列；在我的數據中，它是狀態列。
• “評分模型”和“評估模型”模塊用于在其他訓練子集上測試模型并報告結果。

運行此實驗并通過單擊“評估模型”框的輸出終端來檢查結果。并選擇可視化。在這種情況下，整體準確度超過 0.99，所有的混淆都在 HIGH 類中，可能是由于 HIGH 溫度樣本太少。

?

如果實驗成功，您就可以設置預測 Web 服務了。結果如下圖。

?

必須修改此服務以僅指定月份和溫度作為輸入，并將狀態指定為輸出。結果如下：

?

運行該模型，然后部署 Web 服務。隨后的儀表板將包含一個“測試”按鈕，您可以在其中手動輸入數據并測試您的服務。它現在已準備好包含在您的流分析作業中。

Arduino MKR1000

MKR1000 使用 Sparkfun ODB-II-UART 板從車輛獲取數據。這些板與三線 RS-232 串行端口連接。對于原型系統，這些是唯一需要的硬件組件，因此它們被安裝在一個項目箱中，三個信號線纏繞在一起。

Sparkfun 提供的電纜將 ODB 板的 DB-9 連接器連接到車輛的 ODB-II 端口。

原型中的 MKR1000 通過其 USB 端口從 12V 至 5V 車載 USB 電源適配器供電。

?

MKR1000 的內置?WiFi?被編程為連接到我家的?WiFi?并上傳數據。其理念是，當車輛在家時，系統將存儲數據并通過家庭?WiFi上傳數據?，從而無需在車內進行昂貴的互聯網訪問。軟件使用標準的Wifi101庫進行?WiFi?接入。

可以通過多種方式將數據發送到 IoT 中心。對于這個原型，最簡單的方法是使用 HTTPS 發送帶有 JSON 格式數據的 POST 消息。請注意，Azure 需要 HTTPS，并且 MKR1000 需要使用正確的 SSL 證書更新其固件；有關如何執行此操作的說明在網絡上。GitHub arduino 庫包括一個名為Wifi101-FirmwareUpdater的工具，它可以輕松完成這項工作。需要匹配的 Arduino FirmwareUploader草圖。

代碼存儲庫中提供了完整的 Arduino 源代碼。