處理邊緣連接的機器學習（ML）應用的復雜性是一個艱巨而漫長的過程。將相關應用功能與在經濟高效的平臺上部署此ML模型的復雜性結合起來，需要花費大量的精力和時間。恩智浦基于ML的系統狀態監測應用軟件包（App SW Pack）為快速開發此類復雜應用提供了量產源代碼。
打造邊緣就緒解決方案并非易事，如今幾乎所有開發人員都避免嘗試從頭開始構建應用或產品。始終存在的面市時間壓力意味著，終端產品制造商和應用工程師越來越依賴現有的示例和抽象層來節省時間。這使我們能夠更多關注用戶體驗和更高應用級別的編碼，以便集成到終端產品中，而不是花費時間和精力重新開發核心代碼，如底層驅動程序、中間件和通信堆棧。關注終端產品的用戶體驗和差異化特點是當今產品開發工作的關鍵驅動因素，因此參考應用是快速穩健開發基于MCU和應用處理器的產品的關鍵推動因素。
恩智浦的應用支持工具涵蓋的范圍廣，從解決特定器件功能問題的應用筆記到支持量產的全包式解決方案，應有盡有。全包式解決方案包含面向特定用例的定制參考硬件，可快速轉化為終端產品。我們需要在支持工具中找到平衡，既有完整應用解決方案作為參考，但也能靈活調整以適應客戶的應用需求。
為了滿足這一點，同時進一步完善廣泛的MCU和應用處理器產品系列，恩智浦新增了“應用軟件包”，提供真實、完整的應用軟件包，軟件包高度靈活，廣大受眾可應用于各種技術領域的客戶產品中。
靈活的恩智浦應用軟件包
應用軟件包是一種混合軟件包，在全包式解決方案和示例應用代碼之間找到了平衡。它們可以用于產品化（類似于全包式解決方案），但也可通過定制產品化的開源策略，滿足更多開發人員。應用軟件包內容完整且易于使用，包括驅動程序、中間件、通信堆棧和示例應用的組合，以及全面的指南和培訓材料（應用筆記、實驗指南、培訓視頻等），開發人員能夠快速上手，順利集成到產品中。
恩智浦正在開發一系列應用軟件包，目標應用領域包括機器學習、連接、遠程設備管理、語音和視覺領域等。
基于機器學習的系統狀態監測系統——應用軟件包
應用軟件包系列中的第一款產品是基于機器學習的時間序列數據的狀態監測系統。
鑒于機器學習、神經網絡和深度學習的復雜性，再加上MCU的尺寸越來越小，機器學習應用開發可能會令人卻步?；跈C器學習的系統狀態監測系統應用軟件包的創建可簡化智能傳感設備的開發，這些設備依賴于時間序列數據的機器學習處理來生成決策，而無需人工干預。
基于機器學習的系統狀態監測系統流程圖
借助這款基于機器學習的系統狀態監測系統應用軟件包，開發人員能夠在基于MCU的系統上開發和部署神經網絡。此應用軟件包展示了如何創建風扇振動狀態監測和故障識別解決方案，還詳細介紹了如何在基于MCU的嵌入式目標上驗證和評估模型的性能。它通過真實的用例（從t0開始），在嵌入式板上部署并評估ML模型，演示了ML開發的每一步：
1.如何收集數據并構建定制的綜合數據集
2.如何定義神經網絡的架構并訓練模型
3.如何在嵌入式器件上驗證和部署模型
基于ML的系統狀態監測系統應用軟件包使用eIQ?ML開發環境開發，附帶MCU軟件、各種ML項目和有益的輔助資料（應用筆記、實驗室指南和視頻、培訓和驗證數據集）。與eIQ的結合使基于ML的系統狀態監測系統應用軟件包能夠利用eIQ框架內的基本基線支持，包括eIQ工具包、eIQ門戶和基于MCU的eIQ推理引擎，如DeepViewRTTM、Glow和TensorFlowTM Lite Micro。
作者：
Liviu Ene
恩智浦邊緣處理事業部戰略項目團隊嵌入式系統工程師
Liviu是一位充滿激情的工程師，在嵌入式軟件和硬件領域擁有豐富經驗，擅長基于MCU和應用處理器的產品技術，他專注于邊緣計算，包括創新、可擴展性、增強的用戶體驗、節能、安全性、連接性和機器學習方面。目前，他在戰略合作團隊中的工作重點是與合作伙伴無縫合作，為客戶提供量身定制的解決方案，并加快基于恩智浦的新產品的開發。
