描述

介紹

在強降雨期間，河流的濁度往往會發生顯著變化。氣候變化導致空氣和洋流發生變化，從而導致降雨模式發生劇烈變化。因此，河流的水質可能會在一年中突然發生變化。這些不可預測的濁度變化會大大增加飲用水處理的成本。

該項目旨在通過使用浮動傳感器確定降雨模式如何與流動水體的濁度和湍流相吻合。

注意：請注意，該項目仍處于概念驗證（POC）階段，隨著項目的成熟，可能需要進一步改進。

硬件

QuickFeather 開發套件，帶有 EOS S3 低功耗 MCU + 嵌入式 FPGA、SD 卡讀卡器、ADS1015 12 位 ADC、RTC 模塊和 SEN0189 模擬濁度傳感器用于構建浮動單元。

?

?

?

?

1 / 3 ?圖 2：安裝組件

?

由于該設備仍處于 POC 階段，因此考慮了一種不太永久的組件安裝方式。

該視頻對 Quickfeather 開發套件進行了很好的介紹：

以下是本項目使用的接線圖：

圖 3：接線圖

?

提示：您可以參考此處的用戶指南以獲取有關開發板引腳排列的更多信息。

QuickFeather 有一個集成的電池充電電路，可以讓我將單節鋰聚合物電池直接連接到 VBAT 引腳。將兩塊額定端電壓為 5V 的太陽能電池板串聯，并饋入 LM2596 降壓轉換器，將電壓降至 3.3V。這將確保在有充足的陽光時為電池充電。

該項目使用的所有部件均使用 Solidworks 設計，然后進行 3D 打印。（附原始solidworks設計文件和STL文件）

?

?

?

?

1 / 3 ?圖 4：Solidworks 裝配體

?

兩塊聚苯乙烯泡沫塑料板用于提供所需的浮力。我還使用了大量的熱膠來確保沒有泄漏。

圖 5：濁度傳感器安裝

?

軟件

該項目使用 QuickLogic 開放式可重構計算 (QORC) SDK 和 SensiML 生成一個模型，該模型可以根據傳感器讀數預測某些事件。

以下視頻很好地介紹了這種方法：

為了繼續本教程，您將需要在此處找到的 qorc sdk和SensiML數據捕獲實驗室。在 Linux 中設置所需的庫相當容易，因此如果您像我一樣使用 Windows，則可以使用 Windows Linux 子系統 (WSL) 快速完成工作。

如果您需要設置 WSL、GNU Arm 嵌入式工具鏈、qorck-sdk 和 tinyfpga 程序員的指南，您可以參考此視頻：

PS : qorc-sdk 附帶的envsetup.sh文件由于某種原因無法正常工作，所以我最終制作了一個不同的環境文件以使事情變得更容易一些。

#!/bin/bash
export INSTALL_DIR=/mnt/d/Projects/QuickLogic
export PATH="$INSTALL_DIR/quicklogic-arch-defs/bin:$INSTALL_DIR/quicklogic-arch-defs/bin/python:$PATH"
source "$INSTALL_DIR/conda/etc/profile.d/conda.sh"
conda activate
FLASH_PROGRAMMER_INSTALL_DIR=$INSTALL_DIR/TinyFPGA-Programmer-Application
alias qfprog="python3 $FLASH_PROGRAMMER_INSTALL_DIR/tinyfpga-programmer-gui.py"

您可以將其保存為 myenv.sh 并使用

source myenv.sh

當您想要設置環境時。[相應地更改安裝路徑]

該項目的工作流程可以總結如下：

• 使用 qorc sdk 附帶的簡單數據流應用程序的修改版本來收集數據。
• 使用 SensiML 數據捕獲實驗室收集數據并定義標簽。
• 使用 SensiML 分析工作室創建模型，以根據傳感器數據識別特定事件。
• 在 QuickFeather 上運行模型。

傳感器直播和數據采集實驗室

qorc-sdk 自帶的 qf_ssi_ai_app 作為本項目的代碼庫。可以將現有的 Arduino 庫與此代碼集成，這意味著您可以輕松集成各種傳感器。

對原始代碼所做的更改如下：

• 將 ADS1015 ADC 的源文件和頭文件添加到 inc 和 src 目錄中
• 定義庫所需的延遲函數以及字節和布爾數據類型
• 在 sensor_ssss.cpp 文件中導入 ADS1015 庫，并在 sensor_ssss_acquisition_buffer_ready 函數中進行必要的更改。
• 編輯 sensor_ssss.cpp 文件中的 json_string_sensor_config json 描述符。
• 在 sensor_ssss.cpp 文件中進行更改以啟用數據直播和數據保存到 SD 卡。

以下視頻解釋了如何將新的 i2c 傳感器與 quickfeather 集成：

如果您計劃使用自定義傳感器，則需要為 Data Capture Lab 創建一個 SSF 文件。可以在此處找到有關創建 SSF 文件的更多信息。[為本項目創建的SSF文件附后]

將生成的.bin 文件上傳到 QuickFeather 后，它將開始通過 UART 傳輸數據[很高興 QuickFeather 開發套件提供了一個 UART 到 USB 轉換器。但是，由于我使用的是 SD 讀卡器，因此在無法連接電纜的情況下，可以將數據保存到 SD 卡中]

可以從數據采集實驗室查看傳感器數據。

圖 6：數據采集實驗室

?

在 POC 的這個階段，考慮了四種不同的情景。

• 事件 0：濁度 - 低 湍流 - 低
• 事件 1：濁度 - 低 湍流 - 高
• 事件 2：濁度 - 高 - 湍流 - 低
• 事件 3：濁度 - 高 - 湍流 - 高

[高湍流通常意味著水流速度加快]

由于 Covid19 導致斯里蘭卡目前處于封鎖狀態，我在從實際水體收集樣本數據時遇到了困難。因此，大部分數據都是在家中使用受控環境獲取的。

?

?

?

?

1 / 2 ?圖 7：收集數據

?

使用標簽瀏覽器模式將片段和標簽分配給捕獲。

圖 8 - 標簽瀏覽器

?

分配標簽后，捕獲會自動上傳到 SensiML 分析工作室。

在 Analytics Studio 中構建模型

生成模型的過程相當簡單。

• 在準備數據選項卡中，使用您的捕獲創建一個新查詢。確保標簽正確顯示。
• 在構建模型選項卡中，選擇您的查詢和窗口大小。我使用的窗口大小為 100。
• 模型構建成功后，您可以在不同的捕獲上對其進行測試以檢查其準確性。

分析工作室還允許您通過為您提供可視化和功能摘要等來探索創建的模型。

?

?

?

?

1 / 8 ?圖 9 - 訓練模型

?

一旦您對準確性感到滿意，您就可以繼續下載模型。

圖 15 - 將知識包下載為庫

?

下載的文件可以放在qf_ssi_ai_app/knowledgepack。下載的文件帶有一個漂亮的腳本，可幫助您將所有文件復制到項目中。

注意類映射：1 是 event-0，2是event- 1，3是event- 2，4 是 event-3

復制知識包后，可以將SENSOR_SSSS_RECOG_ENABLED參數設置為 1，并且可以重新上傳代碼。

圖 15 - 傳感器準確預測事件 2，具有高濁度和低湍流：

圖 15

?

圖 16 - 當高濁度的水容器中引入少許湍流時，檢測到事件 3：

圖 16

?

未來的改進

• 由于該 POC 中使用了低成本的濁度傳感器，模擬讀數的變化并不令人滿意。這在事件 0 和 1 中特別觀察到，其中檢測的準確性相當低。需要使用更好的傳感器或更好的放大電路。
• 由于只有很少的數據采集是針對實際水源進行的，因此現實世界的結果可能會有所不同。一旦解除鎖定，就可以在實際水流上測試傳感器。模型可能需要用新的捕獲重新訓練。
• 由于事件檢測需要與實際降雨模式進行比較，因此需要使用正確的時間戳將它們保存到 SD 卡上。需要更新 datasave.c 文件以使用連接到 quickfeather 板的外部 RTC。

結論

• 將 Arduino 傳感器庫與 QuickFeather [稍作改動] 一起使用的能力開辟了一個充滿可能性的世界。
• SensiML 數據捕獲實驗室和分析工作室非常簡單，我能夠使用少量捕獲生成一個相當準確的模型。這使您可以更多地關注預測結果及其影響。
• 此 POC 的下一階段將使用更靈敏的濁度傳感器，以便可以增加檢測到的組合（事件）的數量。
• 在水體上測試傳感器一段時間后，下一步是與該地區的實際降雨模式進行比較。這將深入了解河流的水質如何隨著天氣條件的變化而變化——即氣候變化。
• 放置在不同區域的這些傳感器陣列將為處理廠的水工程師提供預測水質變化的能力。