一种嵌入式产品AI模型的自适应加载方法

一种嵌入式产品ai模型的自适应加载方法
技术领域
1.本发明涉及嵌入式系统技术领域，具体涉及一种嵌入式产品ai模型的自适应加载方法。


背景技术：

2.对于嵌入式系统而言，由于系统功耗、系统实时性以及硬件存储空间的限制，都要求嵌入式系统被设计为特定环境下所专用的系统。随着各种智能家居和廉价微处理器的出现，科技发展的步伐不断加快，人们对于万物实现智能化的需求日益强烈，这就意味着嵌入式系统领域也需要加入智能化等元素，进而适应物联网环境下对于嵌入式系统的新需求。
3.现有的部分基于ai的嵌入式产品主要是静态部署神经网络模型，模型写入之后就不再替换。产品在使用之初，写入的模型是符合生产需要，但久而久之，随着工作环境和设备的老化，存在于设备中的ai模型不在有益于生产需求，反之设备因为加载冗余的ai模型导致设备的执行效率进一步下降。
4.特别是工业上的嵌入式设备，设备运行压力大，如常见工业上的电磁流量计等，对于精度的要求非常高，带有腐蚀性、磨蚀性的液体、温度、流量压力、以及磁场等都会导致精度的下降。如果在这种恶劣的工作环境下，给设备嵌入静态的ai模型，很容易就会因为突变环境造成ai模型输出准确率下降，进而导致设备的采集精度下滑。


技术实现要素：

5.针对上述提出的现有嵌入式产品内嵌的ai模型为静态模型，固定即无法更改，静态的模型无法适应工作环境多变的嵌入式产品的技术问题，本技术方案提供了一种嵌入式产品ai模型的自适应加载方法，通过周期轮询监控设备情况，动态调整ai模型的策略，保证产品在突变环境以及使用磨损后仍能通过可变的ai模型使之继续发挥职能，减少了产品的维护成本、提高了环境自适应性；能有效的解决上述问题。
6.本发明通过以下技术方案实现：一种嵌入式产品ai模型的自适应加载方法，硬件设备包括：安装在现场具有ai模型的嵌入式产品，以及具有数据分析、程序下载及模型训练的服务器端；所述的嵌入式产品包含以太网接口、环境检测模块、辅助电源和大容量数据存储区。
7.所述的自适应加载方法是：在嵌入式产品的微处理器上采用特殊的分区方式进行分区，不同的区域装载不同的ai模型，通过在微处理器内部配置的定时器任务1，使嵌入式产品的微处理器周期性的自检设备的工作参数，根据参数的变化，再通过比对内部区域存放的ai模型，选择最优的ai模型参与程序执行，适应当前的工作环境及设备参数。
8.并设置周期性定时任务2，周期性上传设备信息及工作环境参数，通过网络通信的方式将数据发送至服务器端，服务器端接收到数据后，通过分析参数，与之前上传的数据进行对比分析，在服务器端重新训练一套可适应当前参数的嵌入式ai模型，并通过网络通信
的方式，将新的ai模型参数更新到嵌入式产品中；替换掉已经无法满足微处理器工作的ai模型。
9.进一步的，所述的嵌入式产品是基于cortex-m4内核的arm系列处理器；所述的以太网接口是48引脚的dp83848物理层以太网芯片，该芯片传输速率为100mbps；所述的环境检测模块包括温湿度检测单元、流量检测单元、压力检测单元、信号转换模块以及电压检测装置，通过上述检测部分周期性的获取设备参数；所述的辅助电源为10法拉的法拉电容；所述的大容量数据存储区为512k的ram和1mb的rom存储空间。
10.进一步的，所述的特殊的分区方式是对处理器的rom存储区采用4段分区方式；其中区域1为boot区，存放硬件的以太网驱动程序；区域2为command区，存放设备不同工作状态下执行的命令参数；区域3为app区，存放真正运行的应用程序；区域4存放训练好的ai模型。
11.进一步的，所述的定时器任务1是通过arm系列处理器的通用定时器timer1配置一个定时周期为60s的自检任务；通过微处理器搭载的环境检测模块，实时的分析当前工作环境状况，通过分析环境数据，处理器自主选择存放在区域4中适合当前环境参数的ai模型。
12.进一步的，所述的定时器任务2是arm系列处理器的通用定时器timer2配置一个定时周期为120s的数据上传任务；所述的设备信息包括器件型号、温度、压力、开关电源电压影响设备运行精度和能耗的物理参数；所述的器件型号为处理器出厂的唯一id号；当产品中存储的ai模型已经无法满足产品的正常需要，可通过定时器任务2收集到的设备信息及工作环境参数上传给服务器端，服务器端根据设备信息，训练符合当前设备状态的新的ai模型，重新写入微处理器的区域4中。
13.进一步的，所述的流量检测单元采用的是电磁流量计。
14.进一步的，所述服务器端重新训练的ai模型，是通过微处理器的以太网功能进行下发的，ai模型的分帧传输方案包括128字节的起始帧、1k字节的数据帧和128字节的终止帧。
15.进一步的，所述的起始帧由起始帧标识、起始帧号、帧号反码、待升级文件名、文件大小、传输总帧数，以及crc校验值组成；所述数据帧由数据帧标识、数据帧号、帧号反码、1k数据字节，以及crc校验值组成；所述终止帧由终止帧标识、终止帧号、帧号反码、填充数据(0x00)，以及crc校验值组成。
16.进一步的，所述将新的ai模型参数更新到嵌入式产品中之前，原有的ai模型备份到ram中暂存。
17.进一步的，ai模型自适应加载方法的具体流程的操作步骤包括：步骤1：设备上电，对微处理器的rom进行特殊分区，设置中断向量表的起始偏移；步骤2：应用程序从向量表起始偏移地址处开始运行main函数；步骤3：设备默认加载保存的水环境ai模型；步骤4：配置timer1为60s的周期自检任务，配置timer2为120s的周期上传任务；步骤5：程序进入while循环，60s的自检任务延时时间到达，判断正在运行的水环境模型能否满足当前管道中流经的液体，若满足继续步骤6，若检测流体受电极水垢干扰，则加载电极干扰模型，继续步骤6，若流体测量不受电极水垢干扰，判断是否为导电颗粒流体，若是加载导电颗粒模型。若三则都不是，则加载其中较合适模型运行；
步骤6：恢复自检任务计数初值，等待120s的上传任务，延时时间到达，通过上传检测单元采集的环境数据和产品物理参数数据给服务器的pc端，在服务端对比分析之前的设备信息，重新在服务端训练符合当前参数的ai模型，将模型参数通过网络传输写回处理器的指定存储位置。同时切换新加载的ai模型为当前程序运行的ai模型；步骤7：恢复上传任务计数初值，处理流量计其余业务，返回步骤5。
有益效果
18.本发明提出的一种嵌入式产品ai模型的自适应加载方法,与现有技术相比较，其具有以下有益效果：本发明可有效解决现有嵌入式产品内嵌的ai模型为静态模型，一旦固定既无法更改，静态的模型无法适应工作环境多变的嵌入式产品。方案中提出的周期轮询监控设备情况，动态调整ai模型的策略，有效的解决了产品因温度、压力、电磁流量干扰以及开关电源内部磨损等造成的ai模型执行力下降，测量精准度的问题。还保证产品在突变环境以及使用磨损后仍能通过可变的ai模型使之继续发挥职能，降低了产品的维护成本，提高了环境自适应性。
19.本发明通过辅助电源的设置，可有效防止网络传输过程中出现的网络异常、设备故障等原因导致传输失败，原始存储的ai模型丢失问题。在重写ai模型前将产品中原有的ai模型备份到ram中暂存。其中ram在掉电会被擦除，因此加入法拉电容作为辅助电源，一方面保证设备掉电后，app程序能正常从ram中写回flash，另一方面保证程序不会出现读写静态存储区断电的问题。另，辅助电源模块使用10法拉的法拉电容，具有充电速度快、充放电使用寿命长的优点，在特殊环境下对产品的保护非常重要。
20.本发明通过定时器任务2的设置，不需要人为干预，可以动态的调节因为设备工作在高温高压环境下，设备参数精度下降导致结果不准确的问题。
附图说明
21.图1为本发明的系统架构图。
22.图2为本发明的起始帧格式。
23.图3为本发明的数据帧格式。
24.图4为本发明的终止帧格式。
25.图5本发明的ai模型自适应加载的整体流程图。
26.图6本发明的电磁流量计原理图。
27.图7 本发明的电磁流量计不同环境下电压-时间变化曲线。
28.图8 本发明的电磁流量计同时刻不同环境的电压对比图。
实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围。
实施例
30.如图1所示，一种嵌入式产品ai模型的自适应加载方法，硬件设备包括：安装在现场具有ai模型的嵌入式产品，以及具有数据分析、程序下载及模型训练的服务器端；所述的嵌入式产品包含以太网接口、环境检测模块、辅助电源和大容量数据存储区。
31.嵌入式产品是基于cortex-m4内核的arm系列处理器；所述的以太网接口是48引脚的dp83848物理层以太网芯片，该芯片传输速率为100mbps；所述的环境检测模块包括温湿度检测单元、流量检测单元、压力检测单元、信号转换模块以及电压检测装置，通过上述检测部分周期性的获取设备参数；所述的辅助电源为10法拉的法拉电容；所述的大容量数据存储区为512k的ram和1mb的rom存储空间。
32.本实施例以电磁流量计为原型产品，结合附图进行说明。如图1所示，硬件设备采用标准的c/s结构，产品的电源依托法拉电容搭载辅助电源电路；环境检测模块包括温湿度检测单元、流量检测单元、压力检测单元、信号转换模块以及电压检测装置，通过上述检测部分周期性的获取设备参数，经由以太网通信上传至服务器的pc端，pc端通过分析设备参数，构建ai模型，通过搭建的训练模型训练一组新的ai模型参数，再通过以太网的方式，写入至产品，产品内部处理后选择合适的ai模型，实现产品的环境自适应。
33.自适应加载方法是：在嵌入式产品的微处理器上采用特殊的分区方式进行分区，将不同的区域装载不同的ai模型。特殊的分区方式是对处理器的rom存储区采用4段分区方式；其中区域1为boot区，存放硬件的以太网驱动程序；区域2为command区，存放设备不同工作状态下执行的命令参数；区域3为app区，存放真正运行的应用程序；区域4存放训练好的ai模型。
34.通过在微处理器内部配置的定时器任务1，通过arm系列处理器的通用定时器timer1配置一个定时周期为60s的自检任务；通过微处理器搭载的环境检测模块，实时的分析当前工作环境状况，通过分析环境数据，处理器自主选择存放在区域4中适合当前环境参数的ai模型。
35.使嵌入式产品的微处理器周期性的自检设备的工作参数，根据参数的变化，再通过比对内部区域存放的ai模型，选择最优的ai模型参与程序执行，适应当前的工作环境及设备参数。
36.并设置周期性定时任务2，周期性上传设备信息及工作环境参数，通过网络通信的方式将数据发送至服务器端，服务器端接收到数据后，通过分析参数，与之前上传的数据进行对比分析，在服务器端重新训练一套可适应当前参数的嵌入式ai模型，并通过网络通信的方式，将新的ai模型参数更新到嵌入式产品中；替换掉已经无法满足微处理器工作的ai模型。
37.定时器任务2是arm系列处理器的通用定时器timer2配置一个定时周期为120s的数据上传任务；所述的设备信息包括器件型号、温度、压力、开关电源电压影响设备运行精度和能耗的物理参数；所述的器件型号为处理器出厂的唯一id号；当产品中存储的ai模型已经无法满足产品的正常需要，可通过定时器任务2收集到的设备信息及工作环境参数上传给服务器端，服务器端根据设备信息，训练符合当前设备状态的新的ai模型，重新写入微处理器的区域4中。将新的ai模型参数更新到嵌入式产品中之前，原有的ai模型备份到ram中暂存。
38.服务器端重新训练的ai模型，是通过微处理器的以太网功能进行下发的，ai模型的分帧传输方案包括128字节的起始帧、1k字节的数据帧和128字节的终止帧。
39.为保证数据传输的安全，制定的一组通信协议。起始帧格式如图2所示，由起始帧标识、起始帧号、帧号反码、待升级文件名、文件大小、传输总帧数，以及crc校验值组成。所述数据帧如图3所示，由数据帧标识、数据帧号、帧号反码、1k数据字节，以及crc校验值组成。所述终止帧如图4所示，由终止帧标识、终止帧号、帧号反码、填充数据(0x00)，以及crc校验值组成。
40.如图5所示，ai模型自适应加载方法的具体流程的操作步骤包括：步骤1：设备上电，对微处理器的rom进行特殊分区，设置中断向量表的起始偏移；步骤2：应用程序从向量表起始偏移地址处开始运行main函数；步骤3：设备默认加载保存的水环境ai模型；步骤4：配置timer1为60s的周期自检任务，配置timer2为120s的周期上传任务；步骤5：程序进入while循环，60s的自检任务延时时间到达，判断正在运行的水环境模型能否满足当前管道中流经的液体，若满足继续步骤6，若检测流体受电极水垢干扰，则加载电极干扰模型，继续步骤6，若流体测量不受电极水垢干扰，判断是否为导电颗粒流体，若是加载导电颗粒模型。若三则都不是，则加载其中较合适模型运行；步骤6：恢复自检任务计数初值，等待120s的上传任务，延时时间到达，通过上传检测单元采集的环境数据和产品物理参数数据给服务器的pc端，在服务端对比分析之前的设备信息，重新在服务端训练符合当前参数的ai模型，将模型参数通过网络传输写回处理器的指定存储位置。同时切换新加载的ai模型为当前程序运行的ai模型；步骤7：恢复上传任务计数初值，处理流量计其余业务，返回步骤5。
41.图6为电磁流量计的原理图，电磁流量计作为测量流体流量的仪表，利用法拉第电磁感应定律来检测流量，在电磁流量计内部有一个产生磁场的电磁线圈，以及用于捕获电动势的电极；使得电磁流量计可以测量管道的流量。按照法拉第电磁感应定律，磁场内流动的导电液体会产生电动势e，其中电动势的方向可以通过右手定则来确定，此电动势与管道内径d、磁场强度b以及平均流速v都成比例。在磁场中流动的液体的流速会转换成电，电压e=bdv，流体的流量等于流体流速与管道截面积的乘积，即q=v*(π*d^2)/4；两式结合即可求出q=(π*d/4b)*e。
42.图7为流体通过测量管道流速固定情况下，电磁流量计在不同工作环境产生的感应电压随时间变化曲线。正常的水环境，含有很多杂质和盐分，具有一定的电导率，产生的感应电压维持在5-6uv上下波动，相对平缓，如图中绿色曲线所示；待测流体中含有金属导电颗粒时，通过测量管道会因为导电颗粒干扰，产生较大的瞬时电压，反映在图像上的红色曲线，可以看出其中的峰刺信号电压比较明显；图中蓝色曲线电压维持在3-4uv，是因为长时间使用，电磁流量计的管道两端的测量电极受水垢污染腐蚀，影响导电性，产生的感应电压不强导致。
43.图8提取了图7中部分导电颗粒干扰的峰值时刻，描述了同一时刻，流速固定的情况下，不同工作环境产生的感应电压。根据图8中所示的数据，可以看出，同一时刻水环境的电压维持在5-6uv之间，导电颗粒因为干扰会有突刺电压最高能达到8.23634uv，而流量计管道电极污染情况下，感应电压始终维持在3-4uv之间，依照这种特性，一方面可以作为ai
模型训练的特征输入数据，构建不同的ai模型，另一方面设备可以凭此感知现在的工作环境，进而加载不同的ai模型，从而辅助提高测量精度。
44.目前，影响电磁流量计的计量精度主要有压力、温度、液体流量和类型、电极腐蚀老化，以及磁场干扰等。从上面看，导致电磁流量计精度下降的主要问题来自于工作环境，为了测量不同种类流体的流量，传统的解决方式是通过调节励磁线圈，适应突变电压以及数字滤波等形式，不同的流体设计不同的电磁流量计。特定的电磁流量计不具有普适性，并且单一性的设计会加大研发成本。本例结合人工智能的手段，提供了一种产品自适应的模型加载手段，能有效根据突变环境，设备使用等不可逆转因素，通过加载不同的ai模型，提高测量仪表的普适性和测量精度。
45.本方法同样适用于工业上其他工作环境变化的计量设备，对未来嵌入式设备部署人工智能有重要意义。
46.以上仅为本发明的具体实施例，但本发明的保护范围不仅局限于此，任何在本发明揭露的技术范围内的变化、替换和改进，均在本发明的保护范围内。

技术特征：
1.一种嵌入式产品ai模型的自适应加载方法，硬件设备包括：安装在现场具有ai模型的嵌入式产品，以及具有数据分析、程序下载及模型训练的服务器端；所述的嵌入式产品包含以太网接口、环境检测模块、辅助电源和大容量数据存储区；其特征在于：所述的自适应加载方法是：在嵌入式产品的微处理器上采用特殊的分区方式进行分区，不同的区域装载不同的ai模型，通过在微处理器内部配置的定时器任务1，使嵌入式产品的微处理器周期性的自检设备的工作参数，根据参数的变化，再通过比对内部区域存放的ai模型，选择最优的ai模型参与程序执行，适应当前的工作环境及设备参数；并设置周期性定时任务2，周期性上传设备信息及工作环境参数，通过网络通信的方式将数据发送至服务器端，服务器端接收到数据后，通过分析参数，与之前上传的数据进行对比分析，在服务器端重新训练一套可适应当前参数的嵌入式ai模型，并通过网络通信的方式，将新的ai模型参数更新到嵌入式产品中；替换掉已经无法满足微处理器工作的ai模型。2.根据权利要求1所述的一种嵌入式产品ai模型的自适应加载方法，其特征在于：所述的嵌入式产品是基于cortex-m4内核的arm系列处理器；所述的以太网接口是48引脚的dp83848物理层以太网芯片，该芯片传输速率为100mbps；所述的环境检测模块包括温湿度检测单元、流量检测单元、压力检测单元、信号转换模块以及电压检测装置，通过上述检测部分周期性的获取设备参数；所述的辅助电源为10法拉的法拉电容；所述的大容量数据存储区为512k的ram和1mb的rom存储空间。3.根据权利要求2所述的一种嵌入式产品ai模型的自适应加载方法，其特征在于：所述的特殊的分区方式是对处理器的rom存储区采用4段分区方式；其中区域1为boot区，存放硬件的以太网驱动程序；区域2为command区，存放设备不同工作状态下执行的命令参数；区域3为app区，存放真正运行的应用程序；区域4存放训练好的ai模型。4.根据权利要求2所述的一种嵌入式产品ai模型的自适应加载方法，其特征在于：所述的定时器任务1是通过arm系列处理器的通用定时器timer1配置一个定时周期为60s的自检任务；通过微处理器搭载的环境检测模块，实时的分析当前工作环境状况，通过分析环境数据，处理器自主选择存放在区域4中适合当前环境参数的ai模型。5.根据权利要求2所述的一种嵌入式产品ai模型的自适应加载方法，其特征在于：所述的定时器任务2是arm系列处理器的通用定时器timer2配置一个定时周期为120s的数据上传任务；所述的设备信息包括器件型号、温度、压力、开关电源电压影响设备运行精度和能耗的物理参数；所述的器件型号为处理器出厂的唯一id号；当产品中存储的ai模型已经无法满足产品的正常需要，可通过定时器任务2收集到的设备信息及工作环境参数上传给服务器端，服务器端根据设备信息，训练符合当前设备状态的新的ai模型，重新写入微处理器的区域4中。6.根据权利要求1所述的一种嵌入式产品ai模型的自适应加载方法，其特征在于：所述服务器端重新训练的ai模型，是通过微处理器的以太网功能进行下发的，ai模型的分帧传输方案包括128字节的起始帧、1k字节的数据帧和128字节的终止帧。7.根据权利要求6所述的一种嵌入式产品ai模型的自适应加载方法，其特征在于：所述的起始帧由起始帧标识、起始帧号、帧号反码、待升级文件名、文件大小、传输总帧数，以及crc校验值组成；所述数据帧由数据帧标识、数据帧号、帧号反码、1k数据字节，以及crc校验
值组成；所述终止帧由终止帧标识、终止帧号、帧号反码、填充数据(0x00)，以及crc校验值组成。8.根据权利要求1所述的一种嵌入式产品ai模型的自适应加载方法，其特征在于：所述将新的ai模型参数更新到嵌入式产品中之前，原有的ai模型备份到ram中暂存。9.根据权利要求1-8任一项所述的一种嵌入式产品ai模型的自适应加载方法，其特征在于：ai模型自适应加载方法的具体流程的操作步骤包括：步骤1：设备上电，对微处理器的rom进行特殊分区，设置中断向量表的起始偏移；步骤2：应用程序从向量表起始偏移地址处开始运行main函数；步骤3：设备默认加载保存的水环境ai模型；步骤4：配置timer1为60s的周期自检任务，配置timer2为120s的周期上传任务；步骤5：程序进入while循环，60s的自检任务延时时间到达，判断正在运行的水环境模型能否满足当前管道中流经的液体，若满足继续步骤6，若检测流体受电极水垢干扰，则加载电极干扰模型，继续步骤6，若流体测量不受电极水垢干扰，判断是否为导电颗粒流体，若是加载导电颗粒模型。若三者都不是，则加载其中较合适模型运行；步骤6：恢复自检任务计数初值，等待120s的上传任务，延时时间到达，通过上传检测单元采集的环境数据和产品物理参数数据给服务器的pc端，在服务端对比分析之前的设备信息，重新在服务端训练符合当前参数的ai模型，将模型参数通过网络传输写回处理器的指定存储位置。同时切换新加载的ai模型为当前程序运行的ai模型；步骤7：恢复上传任务计数初值，处理流量计其余业务，返回步骤5。

技术总结
一种嵌入式产品AI模型的自适应加载方法，对嵌入式产品的微处理器进行分区结构，将不同区域装载不同的AI模型，设置周期性定时任务1，使嵌入式产品的微处理器对设备参数以及工作环境进行自检，通过参数的变化，来选择不同的AI模型适应当前的工作环境及设备参数；并设置周期性定时任务2，周期性上传设备信息及工作环境参数至服务器端，服务器端通过分析参数，在服务器端重新训练一套可适应环境变化的嵌入式AI模型，并通过网络通信的方式，将新的AI模型参数更新到嵌入式产品中；可动态的调整微处理器在不同工作环境下执行不同的AI模型，以适应不同的工作需求。本发明减少了产品的维护成本、提高了环境自适应性。提高了环境自适应性。提高了环境自适应性。


技术研发人员：刘虎 叶茂青 张佳昕 施赛菲 王俊 屈浩阳
受保护的技术使用者：淮阴工学院
技术研发日：2023.05.27
技术公布日：2023/7/27