你是否想过，用一个简单的霍尔传感器和机器学习，就能精准测量风扇的转速，甚至还能检测异常？ 这篇文章将带你揭秘一个令人惊叹的项目：基于ESP32、霍尔传感器和Edge Impulse的智能风扇转速计！
一、 项目概述：玩转边缘AI的魅力
这是一个基于Edge Impulse平台的机器学习项目，旨在利用ESP32微控制器和霍尔传感器来精确测量12V风扇的转速。项目将风扇的转速分为四个等级：OFF（关）、LOW（低）、MED（中）、HIGH（高）。通过在风扇叶片上安装磁铁，霍尔传感器可以检测磁场的变化，从而间接测量风扇的转速。整个项目充分展现了边缘AI的强大能力：数据采集、特征提取、模型训练以及部署都在一个紧凑的系统中完成。这不仅仅是一个简单的转速计，更是边缘AI应用的完美范例！
二、 数据采集：ESP32与霍尔传感器的完美组合
项目的核心在于ESP32微控制器，它负责采集霍尔传感器的信号。为了获得高质量的数据，项目中使用了数据滤波技术和数据合成方法，有效地处理了霍尔传感器信号中的噪声，并生成不同转速状态下的清晰波形（参见DataForwarder_HallSensor.c）。下图展示了不同转速状态下的霍尔传感器信号波形：
[此处插入文章提供的四个波形图，并分别标注OFF, LOW, MED, HIGH]
ESP32通过Edge Impulse Data Forwarder直接将采集到的数据上传到Edge Impulse平台，方便快捷地进行后续的模型训练。总共采集了约4分钟的数据，每个转速状态的数据采集时间大致相同。
三、 模型训练：Edge Impulse助你轻松构建AI模型
在Edge Impulse平台上，我们选择了频谱特征来表征不同转速状态下的信号。起初，特征图上显示的数据点比较分散，分析发现样本之间重复性较低。为了解决这个问题，我们调整了窗口大小，使其能够更好地捕捉信号的周期性特征。经过多次尝试和调整，最终在特征探索窗口中获得了清晰的特征分布。
基于提取的频谱特征，我们使用了一个两层神经网络分类器进行模型训练。第一层包含5个神经元，第二层包含10个神经元，总共15个神经元。经过训练，该模型达到了很高的精度。
四、 异常检测：提升系统可靠性
除了基本的转速测量功能外，项目还集成了异常检测功能。当手动转动风扇时，系统可以准确地识别出这种异常情况，进一步提高了系统的可靠性和鲁棒性。这意味着即使遇到非预期的情况，系统也能正常工作，并及时发出警告。
五、 项目总结：轻量级、高精度、易部署
这个项目巧妙地将ESP32微控制器的低功耗和Edge Impulse平台的易用性结合起来，构建了一个轻量级、高精度、易于部署的智能风扇转速计。它不仅可以精确测量风扇转速，还能检测异常情况，具有广泛的应用前景。例如，可以用于监控风扇运行状态，及时发现故障，提高设备的可靠性和使用寿命。 这个项目也向我们展示了边缘AI技术的强大潜力，为更多创新应用提供了可能。
项目地址：https://github.com/Miguelest07/HallSensor_ML_EdgeImpulse