Skip to content

doc_synth.md

Latest commit

 

History

History
238 lines (140 loc) · 6.82 KB

doc_synth.md

File metadata and controls

238 lines (140 loc) · 6.82 KB
Raw

Docs Tecovoltianos Impulse

tecovolt_synth.py

basically crea los datos de acuerdo a la red eléctrica mexicana, agrega ruido sintético compatible con las condiciones de aglomeraciones urbanas y/o rurales.

Toma en cuenta los factores de ruido del Periscope para una aplicación on the edge.

tecovolt_pipeline.py

lee los csvs de el dir seleccionado, calcula las features necesarias para el classifier + at the same time hace augmentation para poder tener un insight

Features:

  1. RMS,
  2. peak-to-peak,
  3. crest factor,
  4. RMS ripple,
  5. freq dominante

El ruido medido se basa en datos realistas del picoscope 2000.

N_SAMPLES   = 1260      # muestras por waveform (PicoScope 200ms @ 6280Hz)
SAMPLE_RATE = 6279.8    # Hz
N_AUG       = 50        # variaciones sinteticas por captura real
OUTPUT_DIR  = "./edge_impulse_output"

Voltage Anomaly Detection

Tipo de modelo

Classifier: Una vex integrado el pre processing en edge impulse con un output de 5 features, los datos son lo suficientemente separables entre sí.

¿Qué hace?

El modelo detecta el fenómeno actual, y el MPU en Python decide si la secuencia de fenómenos recientes constituye una alerta compuesta. Eso es exactamente la separación MCU/MPU que nos hace diferentes.

MCU (STM32U585)          MPU (QRB2210 Python)
─────────────────        ──────────────────────────────
Modelo A → clase         Buffer últimas N clasificaciones
Modelo B → clase    ───► Lógica de riesgo compuesto
Modelo C → clase         "sag_leve × 3 seguidos = alerta"
                         Activa relay + WhatsApp

Model Features

Window Size: 200 ms -> ah doc con buffer de periscope.

Trabajando con ondas de voltaje, con una freq. average de 60 Hz, una window size de 200 ms permite capturar exactamente 1 ciclo.

Window Stride: 200 ms -> sin overlap.

Al usar un relay, añadir un overlap es risky. Clasificamos cada 200 ms.

Frequency:

1000 Hz porque es la freq de muestreo óptima para el stmu. Para detectar una señal de 60 Hz necesitas mínimo 120 Hz de muestreo. A 1000 Hz hay un margen de 8x, suficiente para capturar hasta el 8° armónico (480 Hz), que cubre toda la distorsión relevante de cargas no lineales en redes mexicanas.

El STM32U585 ejecutando inferencia cada 200ms a 1000 Hz tiene un presupuesto de 1ms por sample. Con el timer interrupt a 1ms exacto, el ADC lee, almacena y avanza sin bloquear la inferencia del modelo.

Normalization:

Las 5 features de Tecovolt Pre ya tienen significado físico en sus unidades reales (mV, Hz).

Si normalizamos, el modelo pierde la referencia absoluta de RMS que es crítica para distinguir sag/swell/outage —un outage a 2mV RMS y un normal a 117mV RMS son mUY diferentes en escala real, pero normalizados se acercan.

First Training

Unoptimized: float32

 En optimized no hay buenos results, pero no nos preocupa porque el Qualcomm AI hub hace la quantification.
 Esa data en INT8 va a la STM32.

Accuracy: 92.6%

Ideas de Improvement:

 sag_leve (13.6% confusion) y swell→normal (7.4%)

  1. Subir training cycles de 50 a 100.

  2. Si no jala -> más datos en normal y sag_leve.

    sus datos de Rms se traslapan en bordes.
CORRER again tecovolt_synth.py con --n 400

  3. Añadir un Flatten

Second Training

Accuracy: 94.5%

Ideas de Improvement:

  1. Mejorar el dataset con datos de voltaje raw real desde el Arduino Q.

Main functions:

compute_features

Obtiene: rms, peak, crest, ptp.

augment

genera n variaciones sinteticas de una senal real. Ruido basado en el perfil de ruido medido del instrumento Picoscope.

process_folder

Procesa todos los CSVs en input_dir con el label dado. Devuelve (raw_rows, feature_rows)

Output

Un master csv con labels para classifier clásico.

Temp Anomaly Detection

Usa datos del BMP280 para clasificar la integrdad del tablero energético. Clasifica riesgo: bajo, alto, medio.

Tipo de modelo

Flatten: Es ideal, ya que, aunque recibamos datos a 1 Hz, la temperatura cambia lento. No es necesario sobrecargar el flujo de recibimiento de la Arduino Q.

Usa temperatura y humedad del BMP280 a 1 Hz para clasificar el riesgo térmico del tablero en tres niveles. Elegimos Flatten como bloque de procesamiento porque el calor es un fenómeno lento, así que no necesita análisis de frecuencia. Lo entrenamos con datos sintéticos generados a partir de rangos documentados para tableros residenciales mexicanos."

Data Acquisition ACS 712

Sensor de corriente - 30 A Demasiada potencia para poder notar una fluctuación grande.

Observando en un picoscope + osciloscopio, la variación era de +- 0.200 V.

Keys para que esto funcione

  1. Circuito en serie (obviamente), con el sensor ANTES de la corriente a medir.

  2. Consumo mayor a 100 Watts

  3. Generar flicker con dremmel.

Data Acquisition TM101B

Sensor de voltaje. Debe ajustarse con el POT hasta que la señal senoidal esté centrada y no achatada.

Demanda energética

Tipo de modelo

Classification. Identifica el nivel de carga dependiendo del tipo de dispositivo conectado. Example:

  • sin carga: RMS -> 0
  • con 1 calentador: RMS -> +- 85
  • con 2 calentadores: RMS -> +- 170

Data Input

Features del MCU:

  • rawRMS (float): ADC counts.
  • currentRMS (float): Amps (variable por tipo de sensor y calibre del circuito).

Expected output

Tres clases de clasificación de carga:

  • "baja": RMS < 3
  • "media": RMS > 85
  • "alta": RMS > 170

Model Features

Window Size: 5000 ms -> ah doc con buffer de periscope.

Trabajando con lecturas análgas converitas a amps, dado el script del .ino, recibimos 10 samples cada 6 s: Freq: 6000 ms

Window Stride: 200 ms -> sin overlap.

Dadp que la demanda cambia en real time, no hay mucho que anticipar, no necesitamos overlap. Para no aumentar lecturas innecesarias, debe ser igual al window size

Frequency:

2 Hz por deffault de acquisiton en el thread de Zephyr.

Loop

1. Samplea 1000 veces el ADC con k_usleep(100) entre cada sample
   → 1000 × 100µs = 100ms de muestreo a 10kHz

2. Calcula el RMS de esos 1000 samples

3. Escribe el resultado en currentRMS con mutex (para que el loop principal
   no lea un valor a medias)

4. k_msleep(500) — duerme 500ms antes de repetir

Total por ciclo: 100ms + 500ms = ~600ms → ~1.67 Hz

Feature Generation

Sólo calcula 3 features de interés para el classifier:

  • RMS: dato de rawRMS
  • average: distingue labels casi directamente.
  • std dev, inestabilidad en la window.

Training

First test

Training cycles: 50 Learning rate: 0.005

Validation: 20%

NNA

  • Input: 3 features
  • Dense1: 8 neurons
  • Dense2: 3 neurons

Accuracy: 87.5%

To improve:

  • Media vs. Alta
  • Generar datos reales con mid demmand.