Previsão da temperatura ambiente via sensor LM35 e aprendizado de máquina: 4 etapas

2024 Autor: John Day | [email protected]. Última modificação: 2024-01-30 11:37

Introdução

Hoje estamos focados na construção de um projeto de aprendizado de máquina que prevê a temperatura por meio de regressão polinomial.

O aprendizado de máquina é um aplicativo de inteligência artificial (IA) que fornece aos sistemas a capacidade de aprender e melhorar automaticamente com a experiência sem ser explicitamente programado. O aprendizado de máquina se concentra no desenvolvimento de programas de computador que podem acessar dados e usá-los para aprender por si próprios.

Regressão polinomial: -regressão polinomial é uma forma de análise de regressão na qual a relação entre a variável independente xea variável dependente y é modelada como um polinômio de enésimo grau em x.

Predição: -Aprendizagem em máquina é uma forma de identificar padrões em dados e usá-los para fazer previsões ou decisões automaticamente. … Para regressão, você aprenderá como medir a correlação entre duas variáveis e calcular uma linha de melhor ajuste para fazer previsões quando a relação subjacente é linear.

2. Coisas usadas neste projeto

Componentes de hardware

1. Fios de jumper feminino / feminino × (conforme necessidade)
2. Placa de ensaio (genérico) × 1
3. Sensor LM35 × 1
4. Bolt IoT Bolt Módulo WiFi × 1

Aplicativos de software e serviços online

1. Bolt IoT Bolt CloudBolt
2. IoT Android App

Etapa 1: Conectando o Sensor LM35 ao Parafuso

Passo 1: segure o sensor de forma que você possa ler LM35 escrito nele.

Passo 2: Nesta posição, identifique os pinos do sensor como VCC, Output e Gnd da esquerda para a direita.

Na imagem do hardware, o VCC está conectado ao fio vermelho, a saída está conectada ao fio laranja e o Gnd está conectado ao fio marrom.

Etapa 3: usando o fio macho para fêmea, conecte os 3 pinos do LM35 ao Módulo Wifi Bolt da seguinte forma:

• O pino VCC do LM35 conecta-se a 5v do módulo Bolt Wifi.
• O pino de saída do LM35 se conecta ao A0 (pino de entrada analógica) do módulo Bolt Wifi.
• O pino Gnd do LM35 conecta-se ao Gnd.

Etapa 2: previsão da temperatura

Etapa 1: Faça as mesmas conexões da tela 'Conexões de hardware para monitor de temperatura', no tópico 'Interfaceando sensor sobre VPS' do módulo 'Nuvem, API e alertas'.

Etapa 2: Ligue o circuito e deixe-o se conectar ao Bolt Cloud. (O LED verde do parafuso deve estar aceso)

Etapa 3: vá para cloud.boltiot.com e crie um novo produto. Ao criar o produto, escolha o tipo de produto como Dispositivo de saída e o tipo de interface como GPIO. Após criar o produto, selecione o produto recém-criado e clique no ícone configurar.

Etapa 4: na guia de hardware, selecione o botão de opção próximo ao pino A0. Dê ao pino o nome 'temp' e salve a configuração usando o ícone 'Salvar'.

Etapa 5: vá para a guia de código, dê ao código do produto o nome 'predizer' e selecione o tipo de código como js.

Etapa 6: Escreva o código a seguir para plotar os dados de temperatura e executar o algoritmo de regressão polinomial nos dados e salvar as configurações do produto.

setChartLibrary ('google-chart');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('time_stamp', 'temp');

mul (0,0977);

plotChart ('time_stamp', 'temp');

Passo 7: Na aba de produtos, selecione o produto criado e clique no ícone do link. Selecione seu dispositivo Bolt no pop-up e clique no botão 'Concluído'.

Etapa 8: Clique no botão 'implantar configuração' e, em seguida, no ícone 'visualizar este dispositivo' para visualizar a página que você projetou. Abaixo está a captura de tela do resultado final.

Etapa 9: aguarde cerca de 2 horas para que o dispositivo carregue o ponto de dados suficiente para a nuvem. Você pode clicar no botão de previsão para visualizar o gráfico de previsão com base no algoritmo de regressão polinomial.