Predicción de la temperatura ambiente mediante el sensor LM35 y el aprendizaje automático: 4 pasos

2025 Autor: John Day | [email protected]. Última modificación: 2025-01-23 14:39

Introducción

Hoy estamos enfocados en construir un proyecto de aprendizaje automático que predice la temperatura mediante regresión polinomial.

El aprendizaje automático es una aplicación de inteligencia artificial (IA) que proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin estar programado explícitamente. El aprendizaje automático se centra en el desarrollo de programas informáticos que pueden acceder a los datos y utilizarlos para aprender por sí mismos.

Regresión polinomial: -La regresión polinomial es una forma de análisis de regresión en la que la relación entre la variable independiente x y la variable dependiente y se modela como un polinomio de enésimo grado en x.

Predicción: -El aprendizaje automático es una forma de identificar patrones en los datos y usarlos para hacer predicciones o decisiones automáticamente. … Para la regresión, aprenderá cómo medir la correlación entre dos variables y calcular una línea de mejor ajuste para hacer predicciones cuando la relación subyacente es lineal.

2. Cosas utilizadas en este proyecto

Componentes de hardware

1. Cables de puente hembra / hembra × (según necesidad)
2. Protoboard (genérico) × 1
3. Sensor LM35 × 1
4. Módulo WiFi Bolt IoT Bolt × 1

Aplicaciones de software y servicios en línea

1. Bolt IoT Bolt CloudBolt
2. Aplicación IoT para Android

Paso 1: Conexión del sensor LM35 al perno

Paso 1: Sostenga el sensor de manera que pueda leer LM35 escrito en él.

Paso 2: En esta posición, identifique los pines del sensor como VCC, Salida y Gnd de izquierda a derecha.

En la imagen de hardware, VCC está conectado al cable rojo, la salida está conectada al cable naranja y Gnd está conectado al cable marrón.

Paso 3: Con un cable macho a hembra, conecte los 3 pines del LM35 al módulo Wifi Bolt de la siguiente manera:

• El pin VCC del LM35 se conecta a 5v del módulo Bolt Wifi.
• El pin de salida del LM35 se conecta a A0 (pin de entrada analógica) del módulo Bolt Wifi.
• El pin de tierra del LM35 se conecta a la tierra.

Paso 2: predecir la temperatura

Paso 1: Realice las mismas conexiones que en la pantalla 'Conexiones de hardware para el monitor de temperatura', en el tema 'Interfaz de sensor sobre VPS' del módulo 'Nube, API y alertas'.

Paso 2: Encienda el circuito y deje que se conecte a Bolt Cloud. (El LED verde del Bolt debe estar encendido)

Paso 3: Vaya a cloud.boltiot.com y cree un nuevo producto. Al crear el producto, elija el tipo de producto como Dispositivo de salida y el tipo de interfaz como GPIO. Después de crear el producto, seleccione el producto creado recientemente y luego haga clic en el icono de configuración.

Paso 4: En la pestaña de hardware, seleccione el botón de radio junto al pin A0. Asigne al pin el nombre 'temp' y guarde la configuración usando el icono 'Guardar'.

Paso 5: Vaya a la pestaña de código, asigne al código de producto el nombre 'predecir' y seleccione el tipo de código como js.

Paso 6: Escriba el siguiente código para trazar los datos de temperatura y ejecute el algoritmo de regresión polinomial en los datos, y guarde las configuraciones del producto.

setChartLibrary ('google-chart');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('marca_hora', 'temp');

mul (0,0977);

plotChart ('marca_hora', 'temp');

Paso 7: En la pestaña de productos, seleccione el producto creado y luego haga clic en el icono de enlace. Seleccione su dispositivo Bolt en la ventana emergente y luego haga clic en el botón 'Listo'.

Paso 8: Haga clic en el botón 'implementar configuración' y luego en el icono 'ver este dispositivo' para ver la página que ha diseñado. A continuación se muestra la captura de pantalla del resultado final.

Paso 9: espere aproximadamente 2 horas para que el dispositivo cargue suficientes puntos de datos en la nube. A continuación, puede hacer clic en el botón de predicción para ver el gráfico de predicción basado en el algoritmo de regresión polinomial.