Förutsägelse av rumstemperatur via LM35 -sensor och maskininlärning: 4 steg

2025 Författare: John Day | [email protected]. Senast ändrad: 2025-01-23 15:11

Introduktion

Idag fokuserar vi på att bygga ett maskininlärningsprojekt som förutspår temperatur via polynomregression.

Maskininlärning är en applikation av artificiell intelligens (AI) som ger system möjligheten att automatiskt lära sig och förbättra från erfarenhet utan att vara uttryckligen programmerad.

Polynomregression: -polynomiell regression är en form av regressionsanalys där förhållandet mellan den oberoende variabeln x och den beroende variabeln y modelleras som ett n: e graders polynom i x.

Prognos: -Maskininlärning är ett sätt att identifiera mönster i data och använda dem för att automatiskt göra förutsägelser eller beslut. … För regression lär du dig att mäta korrelationen mellan två variabler och beräkna en linje som passar bäst för att göra förutsägelser när det underliggande förhållandet är linjärt.

2. Saker som används i detta projekt

Hårdvarukomponenter

1. Kvinnliga/kvinnliga bygeltrådar × (enligt behov)
2. Brödbräda (generisk) × 1
3. LM35 -sensor × 1
4. Bolt IoT Bolt WiFi -modul × 1

Programvaruappar och onlinetjänster

1. Bolt IoT Bolt CloudBolt
2. IoT Android App

Steg 1: Anslutning av LM35 -sensorn till bulten

Steg 1: Håll sensorn på ett sådant sätt att du kan läsa LM35 skriven på den.

Steg 2: I denna position, identifiera sensorns stift som VCC, Output och Gnd från vänster till höger.

I maskinvarubilden är VCC ansluten till den röda tråden, utgången är ansluten till den orangea ledningen och Gnd är ansluten till den bruna tråden.

Steg 3: Anslut de tre stiften på LM35 till hane till hona till Bolt Wifi -modulen enligt följande:

• VCC -stift på LM35 ansluts till 5v på Bolt Wifi -modulen.
• Utgångsstiften på LM35 ansluts till A0 (analog ingångsstift) på Bolt Wifi -modulen.
• Gnd -stift på LM35 ansluter till Gnd.

Steg 2: Förutsäga temperaturen

Steg 1: Gör samma anslutningar som skärmen "Hårdvaruanslutningar för temperaturövervakare" i ämnet "Gränssnittssensor över VPS" i modulen "Moln, API och varningar".

Steg 2: Slå på kretsen och låt den ansluta till Bolt Cloud. (Den gröna lysdioden på bulten ska vara tänd)

Steg 3: Gå till cloud.boltiot.com och skapa en ny produkt. När du skapar produkten väljer du produkttyp som utdataenhet och gränssnittstyp som GPIO. När du har skapat produkten väljer du den nyligen skapade produkten och klickar sedan på konfigurationsikonen.

Steg 4: På maskinvarufliken väljer du alternativknappen bredvid A0 -stiftet. Ge pinnen namnet 'temp' och spara konfigurationen med ikonen 'Spara'.

Steg 5: Gå till fliken kod, ge produktkoden namnet 'förutsäga' och välj kodtyp som js.

Steg 6: Skriv följande kod för att plotta temperaturdata och köra den polynomiska regressionsalgoritmen på data och spara produktkonfigurationerna.

setChartLibrary ('google-chart');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('time_stamp', 'temp');

mul (0,0977);

plotChart ('time_stamp', 'temp');

Steg 7: På produktfliken, välj produkten som skapats och klicka sedan på länkikonen. Välj din Bolt -enhet i popup -fönstret och klicka sedan på knappen 'Klar'.

Steg 8: Klicka på "distribuera konfiguration" -knappen och sedan på "visa den här enheten" -ikonen för att visa sidan som du har designat. Nedan är skärmdumpen av den slutliga utmatningen.

Steg 9: Vänta i cirka 2 timmar tills enheten laddar upp tillräckligt med datapunkter till molnet. Du kan sedan klicka på knappen förutsägelse för att se förutsägelsediagrammet baserat på polynomisk regressionsalgoritm.