pdm_edge

開発者: 近藤悠太 (Kondo Yuta)

概要

このリポジトリは、SPRESENSEと加速度・音響センサを用いた振動異常検知AIシステムです。
加速度3軸とマイクの4チャンネル波形を使い、エッジ側で異常を判定できるようにしています。

実装の流れはシンプルで、以下の構成です。

• 波形読込
• FFTによる周波数特徴量抽出
• 正規化
• Random Forest による正常 / 異常分類
• SPRESENSE向けヘッダ出力

主なファイル

• README.md: プロジェクト全体の説明
• requirements.txt: Python依存関係
• config.py: 学習条件やパス設定
• dataset.py: CSVデータの読込
• features.py: FFTと特徴量生成
• train.py: 学習とモデル保存
• evaluate.py: 評価と混同行列出力
• export_headers.py: SPRESENSE向けヘッダ再生成
• pdm_edge_sketch.ino: SPRESENSE側の最小スケッチ例
• spresense/README.md: 組み込み側の使い方

src/ 配下には互換用の薄いラッパーを残してあり、python -m src.train のような呼び出しもできます。

ディレクトリ構成

pdm_edge/
├─ data/
│  ├─ normal/
│  └─ error/
├─ figures/
├─ model_export/
│  ├─ rf_model.h
│  └─ norm.h
├─ spresense/
│  ├─ README.md
│  └─ anomaly_inference.hpp
├─ config.py
├─ dataset.py
├─ features.py
├─ train.py
├─ evaluate.py
├─ export_headers.py
├─ check_norm.py
├─ npz2header.py
├─ runtime_bootstrap.py
├─ pdm_edge_sketch.ino
└─ requirements.txt

data/raw/normal と data/raw/error の構成でも読み込めます。

入力データ形式

CSVは以下の4列を想定しています。

accX,accY,accZ,mic
7588,-8864,-12064,327
7616,-8916,-12128,330
7644,-8832,-12120,335
...

• 1ファイルあたり64サンプルを想定
• 64未満なら0埋め
• 64を超える場合は先頭64サンプルを使用

特徴量設計

• 使用チャンネル: accX, accY, accZ, mic
• 窓長: 64 samples
• 窓関数: Hann window
• FFT: 先頭32ビンを使用
• 帯域平均: 8バンド
• 最終特徴量次元: 8 x 4 = 32
• 分類器: RandomForestClassifier

設定値は config.py にまとめています。

セットアップ

python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt

補足:

• python train.py 実行時に必要ライブラリが見つからない場合、runtime_bootstrap.py がローカルの venv を優先して再実行します
• それでも不足する場合は pip install -r requirements.txt を実行してください

学習

python train.py

学習後に以下が生成されます。

• model_rf.pkl
• scaler.pkl
• norm.npz
• model_export/rf_model.h
• model_export/norm.h

評価

python evaluate.py

評価結果を表示し、混同行列を以下に保存します。

• figures/confusion_matrix.png

ヘッダ再出力

python export_headers.py

保存済みの model_rf.pkl と scaler.pkl から、SPRESENSE向けヘッダを再生成します。
出力先は model_export/ 配下です。

SPRESENSEへの組み込み

SPRESENSE側では以下のファイルを使います。

• model_export/rf_model.h
• model_export/norm.h
• spresense/anomaly_inference.hpp
• pdm_edge_sketch.ino

基本手順:

1. python train.py でモデルとヘッダを生成する
2. model_export/ 配下のヘッダをSPRESENSE側プロジェクトで参照する
3. SensorFrame に64サンプルぶんのセンサ値を格納する
4. SpresenseAnomaly::Predict(frame) を呼び出す

詳細は spresense/README.md を参照してください。

補足

• センサ構成を変更したい場合は config.py の channels を編集します
• 特徴量粒度を変えたい場合は fft_size, spectrum_bins, band_count を調整します
• 現在の実装は軽量性と組み込みやすさを優先して Random Forest ベースにしています