汽车智能开源分享

描述

概述

基于云的服务将成为 IoT（物联网）发展的核心部分。该项目探索了一个潜在的现实世界应用，即汽车发动机数据收集和分析。所有车辆都包含一个 OBD-II 诊断端口，可以访问大量内部数据。该项目收集部分数据，将其发送到 Microsoft Azure 物联网中心，使用 Azure 流分析和机器学习对其进行分析，并将结果存储在 Azure Blob 存储中。

此类分析之一是及早发现维护问题；在这个原型系统中，我们监测发动机冷却液温度并寻找异常情况。机器学习算法学习正常温度行为，然后对异常情况进行分类。为了更丰富和更准确的建模，我们包括月份信息，使系统能够了解行为的季节性变化。

 

该项目使用带有 ARM 处理器和集成 WiFi 的 Arduino MKR1000 板。它是作为由 Arduino.cc 和 Microsoft 赞助的“世界最大的 Arduino 创客挑战赛”的一部分而开发的。它被称为 Car Smart 是指使用机器学习进行数据分析。

该设备是一个“黑匣子”，安装在车辆中，没有人机界面。您可以在上图中看到顶部的 ODB-II 接口板和下方的 Arduino。由于该项目的重点是将智能转移到云端，因此车载设备是一个简单的数据记录器，本身不进行数据分析。

IoT 中心传入数据

 

Microsoft Azure 流分析作业获取这些传入消息，使用自定义Azure 机器学习 Web 服务处理它们，并将结果写入Azure Blob 存储中的 CSV 文件。在这里，流分析仪表板显示了随着事件的到来而爆发的活动。

Azure 流分析仪表板

 

现在的结果是一个简单的 CSV 文件，其中包含记录的温度和机器学习分类为低、正常或高。请注意，当温度高于基于训练数据的预期时，HIGH 分类的变化。

 

下面显示的机器学习算法是一个多重决策林。上传了训练数据电子表格以训练模型。训练数据包含数百个样本以及低/正常/高分类。训练后，训练后的模型可以部署为 Web 服务，用于对新的数据样本进行分类。

Azure 机器学习模型训练实验

 

设置 Azure

您必须先创建一个 Microsoft Azure 帐户。Azure 提供免费试用和按使用量计费的计划。然后需要创建以下 Azure 服务：

1.物联网中心

给它起个名字；我的是 LovegroveVehicle。然后我的主机名是 LovegroveVehicle.azure-devices.net

在密钥图标下可用的是共享访问密钥和连接字符串，出于安全考虑，此处不再重复。

接下来在您的 IoT 中心创建一个设备。我使用 IoT Hub SDK 中的免费Device Explorer程序执行此操作并在 Windows 10 上运行。为Device Explorer提供集线器连接字符串以进行访问。IoT 中心使用共享访问签名来确保安全，该程序将为您创建一个 SAS 令牌以包含在您的设备中。该程序还有一个数据选项卡，可显示来自您设备的传入数据。

2.存储帐户

请注意，Azure 服务具有地理区域。他们并不总是默认到同一个区域。使它们都在同一个区域以获得最佳结果。

3. 机器学习工作区

机器学习有自己独立的门户网站，称为机器学习工作室，您可以在其中构建训练实验，然后将经过训练的模型发布为 Web 服务。稍后查看有关构建此 Web 服务的详细信息，但请在创建需要它的流分析作业之前执行此操作。

4. 流分析作业

流分析作业包含三个部分

• 一个输入。这是来自您的 IoT 中心的数据流
• 功能。将您的机器学习 Web 服务添加为函数，使其可用于流分析。您选择的别名将是查询中的函数名称。
• 用于选择输入数据、应用函数并生成输出的查询。
• 一个输出。在我们的原型中，它只是 blob 存储中的一个 CSV 文件，为我们提供了多种下载和进一步分析的选项。

以下是当前查询。

    WITH subquery AS (  

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

    )  

    Select Temp, result.[Scored Labels]  

    Into carsmartoutput  

    From subquery  

创建和训练机器学习服务

机器学习需要一组训练数据。将来系统可以实时学习汽车特性，但对于本次演示，我们将使用我们提供的一些已经分类的数据对模型进行预训练。为此，我们创建了一个根据我们希望 ML 系统学习的分布计算的随机数据的电子表格。此电子表格是在 Windows 10 下的 Excel 2016 中创建的，然后在 Azure 存储帐户中保存为 CSV 文件。电子表格可以在代码存储库中找到。输入数据是月份和温度。类别为低温、正常和高温。

训练数据

 

准备好训练数据后，创建一个新的机器学习“实验”。该实验如下图所示，由以下组件构成：

• 训练数据集
• 拆分数据函数，将数据拆分为训练和测试子集
• 选择的机器学习算法；我选择了多类决策森林。我希望它能学习我们的三类月份/温度对。
• “训练模型”模块，以算法和一个数据子集作为输入。双击模块并选择代表正确分类的列；在我的数据中，它是状态列。
• “评分模型”和“评估模型”模块用于在其他训练子集上测试模型并报告结果。

运行此实验并通过单击“评估模型”框的输出终端来检查结果。并选择可视化。在这种情况下，整体准确度超过 0.99，所有的混淆都在 HIGH 类中，可能是由于 HIGH 温度样本太少。

 

如果实验成功，您就可以设置预测 Web 服务了。结果如下图。

 

必须修改此服务以仅指定月份和温度作为输入，并将状态指定为输出。结果如下：

 

运行该模型，然后部署 Web 服务。随后的仪表板将包含一个“测试”按钮，您可以在其中手动输入数据并测试您的服务。它现在已准备好包含在您的流分析作业中。

Arduino MKR1000

MKR1000 使用 Sparkfun ODB-II-UART 板从车辆获取数据。这些板与三线 RS-232 串行端口连接。对于原型系统，这些是唯一需要的硬件组件，因此它们被安装在一个项目箱中，三个信号线缠绕在一起。

Sparkfun 提供的电缆将 ODB 板的 DB-9 连接器连接到车辆的 ODB-II 端口。

原型中的 MKR1000 通过其 USB 端口从 12V 至 5V 车载 USB 电源适配器供电。

 

MKR1000 的内置 WiFi 被编程为连接到我家的 WiFi 并上传数据。其理念是，当车辆在家时，系统将存储数据并通过家庭 WiFi上传数据 ，从而无需在车内进行昂贵的互联网访问。软件使用标准的Wifi101库进行 WiFi 接入。

可以通过多种方式将数据发送到 IoT 中心。对于这个原型，最简单的方法是使用 HTTPS 发送带有 JSON 格式数据的 POST 消息。请注意，Azure 需要 HTTPS，并且 MKR1000 需要使用正确的 SSL 证书更新其固件；有关如何执行此操作的说明在网络上。GitHub arduino 库包括一个名为Wifi101-FirmwareUpdater的工具，它可以轻松完成这项工作。需要匹配的 Arduino FirmwareUploader草图。

代码存储库中提供了完整的 Arduino 源代码。