本文前言

  NanoEdge ai Studio是ST提供的免费软件，可以轻松地将ai添加到任何Arm@ Cortex®-M MCU上运行的任何嵌入式项目中。官网首页：NanoEdge AI Studio，官方文档：AI:NanoEdge AI Studio。官方文档写的很详细，建议观看。

  原本是基于keil5来体验的，但是keil5的默认编译器找不到添加链接.a文件的地方，虽然说也能切换成GCC，但是看着网上的资料和自己的尝试，感觉问题不少，还是直接换STM32CubeIDE了。

  验证目标：基于STM32F407VGT6+附着在杯子上的六轴传感器(MPU6050)+NanoEdge AI Studio训练的异常状态模型。其它材料：STLINK-V2，USB转串口模块，若干杜邦线。当然文章末尾，我也会提供项目工程，和使用到的正常异常信号的CSV文件和导出的模型。

前置准备

安装NanoEdge AI Studio

去官网注册下载安装包，填好自己的邮箱，会收到账号激活邮件，和进入NanoEdge AI Studio时所需的序列号，就不演示了，相信大家都会注册安装的，前言处有官网链接。

安装STM32CubeIDE

如果，你也和我一样之前只用Keil5，那么就需要去这里，意法官网STM32CubeMX：图形化工具下个STM32CubeIDE了。

• 为什么在下图实物中插了两个模块，因为STM32CubeIDE默认不支持DAP的，我也鼓捣过下，但是问题不少，所以还是老老实实用STLINK-V2了，不然有1个模块都同时支持串口和DAP了。

体验流程

下述流程，将安装前言的目标进行异常状态项目所配置训练，不会去扩展讲解其它的东西，读者在基本了解流程和软件的使用的流程后，在自行探索，如探寻其它的项目类型，1 类分类，N 级分类*，外推法的训练之类的。

项目设置

在项目配置这里，设置个项目名称，写个描述，选择目标芯片就可以，下滑在选择轴数就可以了。像RAM和Flash都是用默认配置。完成后点击下一步即可。

---

信号采集

信号采集，或者是数据采集。在项目中是步骤2采集正常信号，步骤3采集异常信号。

输入文件格式的一般注意事项：

.txt / .csv 文件。仅数值，无标题。统一分隔符（单字节、制表符、逗号或分号）。使用句点 （.） 格式化的十进制值。每行少于 16,384 个值。每行的数值数量一致。每个传感器轴至少 20 条线。总行数少于 ~100,000 行。文件大小小于 ~1 Gbit。

三个导入信号方式：

1. 从文件（.txt / .csv 格式）
2. 从实时数据记录器的串行端口 （USB）
3. 来自 FP-SNS-Datalog

上面说的都是官方的规则格式，我的是通过配置好的串口接收信号。关于数据分割可以看到步骤2界面中讲解了。其实就是数据分割符，行与行之间的分割符，上传就看了，可能描述的比较迷糊，可以看代码表述。

int LineNum = 0;
while (1)
{
    while(MPU6050_DMP_Get_Date(&x,&y,&z)!=0){}
    // 学习时，获取数据用	
    printf("%.2f,%.2f,%.2f,",x,y,z);
    LineNum++;
    HAL_Delay(10);
    if(LineNum>=100) 
    {
        printf("\r\n");
        LineNum = 0;
    }
}

点击ADD SIGNAL添加信号

NormalSignal1信号是之前采集的，刚开始都是空的。选择了串口采集后，就跟常见的串口监视器的操作差不多的，圈出来的两个是开始监听/暂停，和清除所有，相信大家都能看得懂的的。还有两个要注意的地方是：

1. 采集行数不等于最终的信号数，在下一步中是可以删除选择的，假如采集了100行，可以只选择20行。
2. 串口采集完后，一定要暂停，且有数据后才能点击CONTINUE继续到下一步数据处理

当信号采集好后，会有图框分析这段数据。我这里就是采集了20行的数据量，每行300个值，因为设置的是三轴，所以每行每轴是100个值。大概是这么个表达，[x₁ y₁ z₁ … x₁₀₀ y₁₀₀ z₁₀₀ ] * 20行。

因为步骤3的异常信号采集，与这个正常信号采集流程一样，就不再赘述。所以说我的验证数据分别是，1个正常信号，1个异常信号，就简单的体验体验先。

---

基准训练

到基准这里后，点击RUN NEW BENCHMARK，选择信号开始即可。我之前训练过一个了，就不重新训练了，在下面看可以看到它的数据，而且是只训练到了，预计验证模型数的百分之十多，我就停止了，可能全部验证完要1个多小时，我觉得太久了。所以说模型可能不是最优。

---

验证信息

会列出指定基准的，所有验证过的模型列出来和各种基本参数，且把最优标上皇冠。没有要操作的，进行到下一步模型部署。

---

模型部署

看下面的模型部署块，还是不理解的话可以看看官方关于部署的介绍，AI：NanoEdge 异常检测 （AD） AI 库—部署。按官方文档中描述，可以在Arduino(基于Cortex-M的板子)下或有GCC编译器的环境下部署的。

在NanoEdge AI Studio上的部署界面

有5个单选框，有跟内存与效率有关的，有是否包括来自基准的知识（否的话，则不包含训练过的知识，在嵌入式上使用时必需调用学习后才能用），这里暂时先按默认配置里。点击COMPILE LIBRARY导出zip即可。

至于官方右侧的开始代码，下面我就去掉注释简单的描述下。

![部署-进入配置2](部署-进入配置2.png)#include "NanoEdgeAI.h"
// 学习样本数量:由用户设置
#define LEARNING_ITERATIONS 10
// 输入值缓冲区
float input_user_buffer[DATA_INPUT_USER * AXIS_NUMBER];
// 私有函数：用于填充数据，来进行学习或验证
void fill_buffer(float input_buffer[])
{
	/* USER BEGIN */
	/* USER END */
}
// 主函数
int main(void)
{
	// 初始化
	enum neai_state error_code = neai_anomalydetection_init();
	uint8_t similarity = 0;

	if (error_code != NEAI_OK) {
		// 初始化失败后操作
	}

	// 学习过程
	for (uint16_t iteration = 0 ; iteration < LEARNING_ITERATIONS ; iteration++) {
		fill_buffer(input_user_buffer);
		neai_anomalydetection_learn(input_user_buffer);
	}
	
	// 检测过程
	while (1) {
		fill_buffer(input_user_buffer);
		neai_anomalydetection_detect(input_user_buffer, &similarity);
	}
}

在STM32CubeIDE上需要进行的配置。

项目中添加libneai.a的编译链接

添加右键项目，点击属性。然后在属性框下，C/C++构建->设置->MCU/MPU GCC Linker的Libraries下，在 Libraries 部分添加 “neai”，在 Library search path 部分添加 libneai.a 路径。单击 Apply and Close （应用并关闭）

项目中添加NanoEdgeAI.h的引入路径

也是在属性框下的配置，大家就按照自己的存放库的路径自行添加。

至此，文件配置也算是完成了，接下来就是在main.h中编写用户代码了。不过其实在在上面的解析官方的开始文件中，该说的都说了，所以还是，直接把我的main.h用户代码全贴了出来，大家可以自行比对（为了减少行数，已删去HAL库的注释）。

#include "main.h"
#include "i2c.h"
#include "usart.h"
#include "gpio.h"

#include "MPU6050.h"
#include "stdio.h"
#include "MPU6050_DMP.h"
#include "NanoEdgeAI.h"
#define LEARNING_ITERATIONS 10
float input_user_buffer[DATA_INPUT_USER * AXIS_NUMBER]; // Buffer of input values
#ifdef __GNUC__
#define PUTCHAR_PROTOTYPE int __io_putchar(int ch)
#else
#define PUTCHAR_PROTOTYPE int fputc(int ch, FILE *f)
#endif

PUTCHAR_PROTOTYPE
{
	HAL_UART_Transmit(&huart1, (uint8_t*)&ch,1,HAL_MAX_DELAY);
    return ch;
}

void SystemClock_Config(void);

float x = 0;
float y = 0;
float z = 0;
int ret = 0;
void fill_buffer(float input_buffer[])
{
	/* USER BEGIN */
	char count = 0;
	// 达到数组即可退出
	while(count < DATA_INPUT_USER)
	{
		// 单轮学习配置
		MPU6050_DMP_Get_Date(&x,&y,&z);
		while(MPU6050_DMP_Get_Date(&x,&y,&z)!=0){}
		// 一次三轴
		input_buffer[count*3] = x;
		input_buffer[count*3+1] = y;
		input_buffer[count*3+2] = z;
		// 递增
		count++;
	}
	/* USER END */
}

int main(void)
{

  enum neai_state error_code;
  uint8_t similarity = 0;
    
  HAL_Init();
   
  SystemClock_Config();
  
  MX_GPIO_Init();
  MX_USART1_UART_Init();
  MX_I2C1_Init();

  printf("Hello World\r\n");
  do
	{
		ret = MPU6050_DMP_init();
		printf("MPU6050 init, ret = %d\r\n", ret);
		HAL_Delay(100);
	} while(ret);
	printf("address:%x\r\n",MPU6050_ReadID());
	// Ai初始化
	error_code = neai_anomalydetection_init();
	similarity = 0;
	if (error_code == NEAI_OK)
	{
		printf("Ai_InitOK\r\n");
	}
	else
	{
		printf("Ai_InitErr:%d\r\n",error_code);
	}
	// Ai前置学习
	for (uint16_t iteration = 0 ; iteration < LEARNING_ITERATIONS ; iteration++) {
		fill_buffer(input_user_buffer);
		neai_anomalydetection_learn(input_user_buffer);
		printf("LearnNum:%d\r\n",iteration+1);
	}
  while (1)
  {
  	// 验证数据采集
		// 达到数组即可退出
  	fill_buffer(input_user_buffer);
		// 进入验证
  	neai_anomalydetection_detect(input_user_buffer, &similarity);
  	printf("%d\r\n",similarity);
  }
}

---

演示验证

实物材料以及烧录到开发板中，测试验证图。相似度从0~100，下述串口输出相似率，降到90以下时，是对杯子进行倾倒了。还就是，因为我的模型没有勾选，利用基准时的数据，所以在10次学习时，还需要让杯子传入10次正常信号，进行学习。

资料链接

STM32CubeIDE项目工程，1个正常信号，1个异常信号的CSV文件，libneai_cupcondition_2.zip为上述项目部署导出的模型。
链接：https://pan.baidu.com/s/1p9s-AsT9HGWFgRYQo-VVyQ  提取码：pdhs