เป้าหมายของบทเรียนนี้คือการตรวจจับว่าเครื่องชงกาแฟกำลังจะน้ำหมด ก่อนที่มันจะเกิดขึ้นจริง เพราะการใช้งานปั๊มของเครื่องโดยไม่มีน้ำอาจทำให้มันพังได้น้า

เราจะทำแบบไม่ต้องไปยุ่งกับตัวเครื่องเลย (non-intrusive) แค่เอา Arduino พร้อมกับ accelerometer ไปแปะไว้บนเครื่องก็พอ

เราจะใช้ NanoEdge AI Studio (ฟรีนะจ๊ะ) ในการสร้างโมเดล AI ที่สามารถแยกแยะได้ว่า... อ้าว ผิดบท! โมเดลนี้เอาไว้แยกเสียงออดกับเสียงรบกวน แต่หลักการเดียวกันเลย ฮ่าๆ

ไม่ต้องกลัวว่าไม่รู้เรื่อง AI นะ น้องทำตามพี่ได้แน่ :)

ภาพรวมโปรเจค

"Coffee-Sense" นี่คือการประยุกต์ใช้ Embedded Edge-AI Forensics และ Mechatronic Vibrational Diagnostics แบบสุดล้ำน้า! แทนที่จะใช้เซ็นเซอร์วัดระดับน้ำที่ต้องไปเจาะถัง (ยุ่งยาก) เราใช้แค่ accelerometer แปะไว้ แล้วฟัง "จังหวะ" การสั่นของปั๊มน้ำข้างในเครื่องแทน

พอปั๊มเริ่มทำงานโดยไม่มีน้ำ มันจะสั่นคนละแบบ (มี "Signature" เป็นของตัวเอง) ระบบเราก็จะตรวจจับความแตกต่างนี้ได้ แล้วส่งสัญญาณเตือนให้เรารู้ล่วงหน้า เรียกว่าเอา Machine Learning มาใช้ในชีวิตประจำวันแบบไม่ต้องพังเครื่องเลยสักนิด!

ขั้นตอนที่ 1: เตรียมตัว

เริ่มจากเสียบชีลด์ของ STMicroelectronics เข้ากับบอร์ด Arduino แล้วใช้ Blu-Tack (หรือกาวสองหน้าแบบนิ่มๆ) แปะบอร์ดทั้งหมดไว้บนตัวเครื่องชงกาแฟเลย

ใน Arduino IDE: ตรวจสอบให้แน่ใจว่าเลือกพอร์ต COM ถูก: Tools > Port แล้วเลือกอันที่ตรงกับบอร์ดเรา เลือกบอร์ดให้ถูกต้อง:

Tools > Boards > Arduino Renesas UNO R4 boards > Arduino UNO R4 WIFI
ถ้าไม่เห็น ให้คลิก Tools > Boards > Boards Manager... แล้วค้นหา UNO R4 เพื่อติดตั้ง package

ขั้นตอนที่ 2: เก็บข้อมูลจาก Accelerometer

เราใช้ STMicroelectronics X-NUCLEO-ISK01A3 เพราะมันมี LSM6DSO นะ ถ้าน้องมี accelerometer ตัวอื่นก็ใช้แทนได้

เพื่อให้ได้โค้ดสำหรับดึงข้อมูล (datalogging) เราจะใช้เครื่องมือใน NanoEdge AI Studio มาสร้างให้เลย

เปิด NanoEdge AI Studio
ไปที่ Data logger Generator
เลือก Arduino
เลือกเซ็นเซอร์เป็น LSM6DSO
ตั้งค่า data rate สูงสุด (1667Hz), range เป็น 8 และ buffer size เป็น 512
คลิก Generate Data Logger

NanoEdge จะสร้างไฟล์ .zip ออกมา ซึ่งข้างในมีไฟล์ .ino ที่เรานำไปใช้กับ Arduino IDE ได้ทันที:

แยกไฟล์ .zip แล้วเปิดไฟล์ .ino
Import library ที่จำเป็น (Wire และ STM32duino LSM6DSO) แล้วอัพโหลดโค้ดลงบอร์ดได้เลย

โค้ดตัวอย่างอยู่ด้านล่างในชื่อ main_datalogging.c

โค้ดที่ได้มาจะมีส่วนที่ถูก comment ไว้สำหรับไลบรารีของ NanoEdge AI อยู่ เราจะกลับมาใช้ส่วนนี้ทีหลัง หลังจากที่สร้างโมเดลเสร็จแล้วน้า

ลงลึกกันแบบช่างๆ

นิติวิทยาศาสตร์ความสั่นสะเทือน (Vibrational Anomaly Forensics):
- ลายเซ็นฮาร์มอนิกของปั๊ม (Pump Harmonic Signature): ปั๊มไฟฟ้าจะแสดงรูปแบบการสั่นพ้องเชิงกล (mechanical resonance) ที่แตกต่างกันไป ขึ้นอยู่กับภาระ (มีของไหลหรือเปล่า) พอถังน้ำหมด ปั๊มจะเข้าสู่สภาวะสั่นสะเทือนความถี่สูงและมีการหน่วงต่ำ เซ็นเซอร์วัดความเร่ง LSM6DSO จะสุ่มเก็บค่าพิกัด $(X, Y, Z)$ แบบ 3 มิติ ด้วยอัตราสูง $(1667\text{Hz})$ เพื่อจับ "อาการสั่นกระตุกเล็กๆ (Jitter)" ที่เกิดขึ้นตอนที่ของไหลหมด
- การประมวลผลข้อมูลด้วย FFT (FFT Data-Preprocessing): ระบบจัดการกับข้อมูลดิบขนาด 512 ตัวอย่าง โดยทำการแปลงฟูริเยร์แบบเร็ว (FFT) เพื่อเปลี่ยนการสั่นสะเทือนที่วัดได้ตามเวลา ให้เป็นความหนาแน่นของสเปกตรัมกำลังในโดเมนความถี่ วิธีนิติวิทยาศาสตร์แบบนี้ทำให้ AI ของเราสามารถแยกแยะระหว่าง "เสียงทำงานปกติ (Nominal Grind)" กับ "อาการทำงานแห้งๆ แบบผิดปกติ (Abnormal Dry-Run)" ของเครื่องได้
การควบคุม NanoEdge AI:
- ฮิวริสติกการเรียนรู้บนอุปกรณ์ (On-Device Learning Heuristics): Coffee-Sense ใช้เอ็นจิ้นตรวจจับความผิดปกติ (Anomaly Detection - AD) ของ NanoEdge AI สถาปัตยกรรมนี้ไม่เหมือนโมเดลแบบตายตัว มันทำให้ Arduino R4 ของเรา "เรียนรู้" โปรไฟล์การสั่นสะเทือนเฉพาะของเครื่องชงกาแฟของผู้ใช้ในสภาพแวดล้อมจริงได้เลย กระบวนการนี้เกี่ยวข้องกับการคำนวณ "คะแนนความคล้ายคลึง (Similarity Score)" $(0\text{--}100)$; ถ้าคะแนน $>90$ แปลว่าทำงานปกติ แต่ถ้าคะแนนดิ่งฮวบฮาบเมื่อไหร่ นั่นคือสัญญาณเตือนให้เติมน้ำแล้วจ้า!
- การปรับแต่งไลบรารี่เป้าหมาย (Target-Library Optimization): โมเดล AI นี้ถูกคอมไพล์มาเฉพาะสำหรับแกน Renesas RA4M1 เพื่อให้ใช้พื้นที่ RAM และ FLASH ได้อย่างคุ้มค่า และทำให้บัสเซ็นเซอร์ที่รับข้อมูลเร็วๆ ไม่ต้องมาคอยเพราะการประมวลผลล่าช้า

ขั้นตอนที่ 3: NanoEdge AI Studio

NanoEdge AI Studio เป็นซอฟต์แวร์ฟรีจาก STMicroelectronics ช่วยให้ผู้ใช้ระบบฝังตัวสร้างโมเดล AI ได้ง่ายขึ้น และบอกเลยว่าใช้ง่ายมาก:

เลือกประเภทโปรเจค
นำเข้าข้อมูล
รับโมเดลที่ดีที่สุดจากข้อมูลของคุณ
ทดสอบมัน
คอมไพล์และใช้งานด้วยฟังก์ชันไม่กี่อัน

สำหรับเรา เราจะทำโปรเจคตรวจจับความผิดปกติ (Anomaly detection - AD) เราอยากตรวจจับสถานการณ์ปกติ (ตอนมีน้ำชงกาแฟ) และสถานการณ์ผิดปกติ (ตอนน้ำหมด) เราอาจจะทำโมเดลจำแนกหลายคลาส (N-class classification) ก็ได้ แต่เก็บไว้พูดท้ายๆ แล้วกัน

ในส่วน Project Settings:

ตั้งชื่อโปรเจค
เลือกเป้าหมายเป็น Arduino R4 Wifi
เลือกเซ็นเซอร์: Accelerometer 3 แกน
กำหนดขีดจำกัด FLASH และ RAM (สำหรับการค้นหาโมเดล) ก็ได้ถ้าต้องการ

ในส่วน Regular signals: ตรงนี้เราจะบันทึกสัญญาณปกติ ซึ่งในกรณีของเราคือตอนที่เครื่องชงกาแฟมีน้ำพอสำหรับชง คุณสามารถนำเข้าข้อมูลที่มีอยู่แล้ว (ไฟล์ .txt หรือ .csv) หรือบันทึกข้อมูลตรงใน NanoEdge เลยก็ได้

สิ่งที่เราอยากบันทึกคือตอนที่เครื่องกำลังชงกาแฟ
หลีกเลี่ยงสัญญาณว่างเปล่า (ตอนเครื่องไม่ทำอะไรเลย)
เก็บข้อมูลให้ได้ประมาณ 50 ถึง 100 บัฟเฟอร์

วิธีบันทึกข้อมูลใน NanoEdge โดยตรง:

คลิก ADD SIGNAL
เลือก FROM SERIAL (USB)
คลิก START/STOP เพื่อเริ่มเก็บข้อมูล (ตรวจสอบให้แน่ใจว่าเลือกพอร์ต COM ถูกต้อง)
พอเสร็จแล้ว คลิก CONTINUE แล้วตามด้วย IMPORT
เปลี่ยนชื่อไฟล์ได้ถ้าอยาก

ในส่วน Abnormal signals: ทำแบบเดียวกัน แต่ทำตอนที่น้ำไม่พอหรือไม่มีน้ำเลยสำหรับชงกาแฟ

ขั้นตอน Benchmark: ตอนนี้เรามีข้อมูล 2 แบบแล้ว เราสามารถให้ NanoEdge AI Studio นำข้อมูลนี้ไปสร้าง AI Library ซึ่งประกอบด้วยโมเดล พารามิเตอร์ และการประมวลผลล่วงหน้า (เช่น FFT) ให้เราได้ คลิกที่ new benchmark เลือกข้อมูลทั้งสองประเภท แล้วคลิก start ระหว่างทำ benchmark โปรแกรมจะทดสอบการผสมผสานหลายแสนแบบเพื่อหาสูตรที่ดีที่สุดสำหรับข้อมูลที่เราให้ คะแนนที่ได้คือตัวชี้วัดที่คำนึงถึงความแม่นยำโดยรวมของโมเดล และการใช้ RAM กับ FLASH พอได้ความแม่นยำ 90% ขึ้นไป ก็หยุด benchmark ได้เลย มันอาจใช้เวลาหลายชั่วโมงเพื่อหาไลบรารี่ที่เหมาะสมที่สุด แต่สำหรับเรา ถ้ามีอันที่ใช้การได้ก็พอแล้วจ้า

การตรวจสอบความถูกต้อง (Validation): เป้าหมายของขั้นนี้คือการทดสอบว่าโมเดลที่เราเจอตอนทำเบนช์มาร์กเนี่ย ยังเวิร์คกับข้อมูลใหม่รึเปล่า สิ่งที่อาจเกิดขึ้นกับโมเดล AI ก็คือมัน "โอเวอร์ฟิตติ้ง" (Overfitting) หมายความว่าโมเดลมันท่องจำข้อมูลเอาไว้เลย ไม่ได้เรียนรู้วิธีแยกแยะข้อมูลจริงๆ สิ่งที่ตามมาก็คือมันจะทำงานได้ห่วยแตกกับข้อมูลที่มันไม่เคยเห็นมาก่อน เลือกโมเดลที่ดีที่สุด 5 ตัว คลิกที่ New Experiment แล้วเพิ่มไฟล์ข้อมูลใหม่เข้าไป:

ไฟล์เรียนรู้ (Learn files): โมเดลตรวจจับความผิดปกติของ NanoEdge สามารถฝึกใหม่ได้เลยบนไมโครคอนโทรลเลอร์ ซึ่งมักจะให้ผลลัพธ์ที่ดีกว่าด้วยซ้ำ ตรงนี้เราสามารถนำเข้าไฟล์ปกติที่ใช้ในขั้นตอนปกติได้เลย (สามารถดาวน์โหลดไฟล์นั้นได้)
ไฟล์ปกติ (Regular files): เราต้องการนำเข้าไฟล์ใหม่ที่มีสัญญาณปกติใหม่ๆ (ถ้าอยากได้ ก็ย้อนกลับไปขั้นตอนปกติ บันทึกข้อมูลใหม่ แล้วดาวน์โหลดไฟล์มาได้เลย)
ไฟล์ผิดปกติ (Abnormal files): เหมือนกัน แต่เป็นสัญญาณผิดปกติใหม่ๆ รอสักพัก เราก็จะได้ค่าความแม่นยำใหม่สำหรับโมเดลทั้ง 5 ตัวที่เลือกไว้ ค่าความแม่นยำควรจะใกล้เคียงกับที่ได้ตอนทำเบนช์มาร์ก ถ้าไม่ใช่ล่ะก็ กลับไปทำเบนช์มาร์กใหม่ด้วยข้อมูลที่มากขึ้นซะ

การคอมไพล์ (Compilation): ตรงนี้เรามีทางเลือก 2 ทาง:

ใช้โมเดลที่ฝึกไว้ตอนทำเบนช์มาร์กเลย
ใช้โมเดลนั้น แต่ฝึกมันใหม่บนไมโครคอนโทรลเลอร์โดยตรง ถ้าไม่อยากฝึกใหม่ ก็แค่คลิก Compile เลย ถ้าอยากให้โมเดลมีความรู้จากเบนช์มาร์กติดไปด้วย ให้ติ๊กถูกที่ช่อง "Include knowledge from benchmark" ก่อนคอมไพล์ เดี๋ยวในบทเรียนนี้เราจะเปลี่ยนโค้ดแค่ไม่กี่บรรทัดเท่านั้น

วิศวกรรมและการนำไปใช้ (Engineering & Implementation)

การวินิจฉัยความสมบูรณ์ของโครงสร้าง (Structural Integrity Diagnostics):
- การติดตั้งแบบไม่บุกรุก (Non-Intrusive Mounting): โหนดเซ็นเซอร์ถูกยึดเข้ากับโครงเครื่องโดยใช้พันธะเชิงความร้อน-กลศาสตร์ที่มีการยึดติดสูง (เช่น Blu Tack หรือแผ่นกาว) การยึดคัปปลิ้งนี้สำคัญมากสำหรับการส่งผ่านพลังงานเสียงจากปั๊มไปยัง ST X-NUCLEO shield ได้อย่างแม่นยำ
- การวิเคราะห์การจัดการบัฟเฟอร์ (Buffer-Management Forensics): เฟิร์มแวร์ใช้ลูปโพลลิงแบบกำหนดได้ (deterministic polling loop) ถ้าคะแนนความคล้ายคลึง (similarity score) เบี่ยงเบนจากค่าฐานที่ฝึกไว้ ผ่านหลายๆ บัฟเฟอร์ ระบบก็จะยืนยันสถานะ "ตรวจพบความผิดปกติ (Anomaly Detected)" ซึ่งช่วยกำจัดสัญญาณเตือนผิดพลาดที่เกิดจากแรงกระทบภายนอกโดยบังเอิญ (เช่น การปิดตู้ครัว) ได้
ลอจิกโฟลว์ของ HMI (HMI Logic Flow):
- การนำไปใช้มีสองเฟสการทำงาน: โหมด 0 (บันทึกข้อมูล - Datalogging) สำหรับสร้างค่าฐาน และ โหมด 1 (ตรวจจับ - Detection) สำหรับการอนุมานแบบเรียลไทม์ การแยกส่วนลอจิกแบบนี้ทำให้มั่นใจได้ว่า "ฐานความรู้ (Knowledge Base)" ของ AI จะถูกเติมด้วยข้อมูลที่มีสัญญาณต่อสัญญาณรบกวนสูง (High-SNR) ก่อนที่จะนำไปใช้งานจริง

ขั้นตอนที่ 4: เพิ่ม NanoEdge ลงในโค้ด Arduino

ตอนนี้เรามีไลบรารีตรวจจับความผิดปกติแล้ว ต่อไปก็ต้องเพิ่มมันลงในโค้ด Arduino ของเรา:

เปิดไฟล์ .zip ที่ได้มา จะมีโฟลเดอร์ Arduino ที่ข้างในมี zip อีกอันหนึ่ง
นำเข้าไลบรารีใน Arduino IDE: Sketch > Include library > Add .ZIP library... แล้วเลือกไฟล์ .zip ที่อยู่ในโฟลเดอร์ Arduino

ถ้าใช้ไลบรารี NanoEdge AI ใน Arduino IDE อยู่แล้ว: ไปที่ document/arduino/library แล้วลบไลบรารีตัวเก่าของ NanoEdge ออก จากนั้นทำตามขั้นตอนด้านบนเพื่อนำเข้าไลบรารีตัวใหม่

สำคัญมาก: ถ้าเจอข้อผิดพลาดเกี่ยวกับ RAM มันอาจเป็นเพราะไลบรารีที่เลือกใน NanoEdge ใหญ่เกินไป ให้กลับไปที่ขั้นตอน VALIDATION STEP ใน NanoEdge แล้วเลือกไลบรารีที่เล็กกว่า (คลิกที่มงกุฎทางขวา) จากนั้นคอมไพล์ใหม่แล้วเอามาแทนที่ใน Arduino IDE

ตัวเลือก A: ฝึกโมเดลใหม่ ในโค้ดที่เราใช้สำหรับบันทึกข้อมูล แค่เปลี่ยน NEAI_MODE เป็น 1 และเอา comment ออกจากโค้ดส่วนนี้:

...
#include <NanoEdgeAI.h>
...
#define NEAI_MODE 1 //0 คือโค้ดบันทึกข้อมูล, 1 คือโค้ดตรวจจับ
...
void setup(){
	 ...
	 neai_code = neai_anomalydetection_init(); //initialisation
	 if(neai_code != NEAI_OK) {
	   Serial.print("Not supported board.\n");
	 }
}

void loop(){
	  ...
	  if(NEAI_MODE) {
	    if(neai_cnt < MINIMUM_ITERATION_CALLS_FOR_EFFICIENT_LEARNING) {
	      neai_anomalydetection_learn(neai_buffer);
	      Serial.print((String)"Learn: " + neai_cnt + "/" + MINIMUM_ITERATION_CALLS_FOR_EFFICIENT_LEARNING + ".\n");

neai_cnt++; } else { neai_anomalydetection_detect(neai_buffer, &similarity); Serial.print((String)"Detect: " + similarity + "/100.\n"); } } }


**ตัวเลือก B: ใช้ความรู้ (knowledge) จากขั้นตอนเบนช์มาร์ค**
ถ้าน้องตัดสินใจแล้วว่าจะใช้ความรู้จากขั้นตอนเบนช์มาร์ค ตามนี้เลย:
1.  ในส่วน `init()` ของโค้ด ให้เพิ่มบรรทัดนี้เข้าไป: `neai_anomalydetection_knowledge(knowledge);`
2.  ใน `loop()` หลัง `if(NEAI_MODE)` ให้ลบ `if` statement พร้อมกับ `else {` และ `}` ออกไปซะ

#include <NanoEdgeAI.h> #include "knowledge.h" // อย่าลืมโหลดความรู้ด้วยน้อง!

void setup(){ ... neai_code = neai_anomalydetection_init(); if (neai_code != NEAI_OK) { Serial.print("Not supported board.\n"); } else { neai_anomalydetection_knowledge(knowledge); // โค้ดบรรทัดนี้แหละที่โหลดความรู้เข้าไป } } void loop(){ ... if(NEAI_MODE) { // ไม่มีส่วนเรียนรู้แล้วนะ แต่ส่วนตรวจจับยังเหมือนเดิม neai_anomalydetection_detect(neai_buffer, &similarity); Serial.print((String)"Detect: " + similarity + "/100.\n"); } ... }


ฟังก์ชัน `neai_anomalydetection_detect()` นี่แหละคือส่วนที่ใช้โมเดล AI ของเราตรวจจับ
ถ้า `similarity` เป็น 100 แปลว่าสัญญาณที่วัดได้เหมือนกับข้อมูลปกติ (น้ำเต็ม) 100% ถ้าเป็น 0 ก็คือมีโอกาส 0% ที่จะเป็นข้อมูลปกติ
ในโค้ดตั้งต้นเราแค่พิมพ์ค่าความคล้ายออกมา น้องสามารถเขียน `if` statement ขึ้นมาเองได้ เช่น ถ้าค่ามากกว่า 90 ให้พิมพ์ "OK" ถ้าน้อยกว่านั้นให้บอกว่า "เติมน้ำหน่อยยย" ตามสไตล์น้องเลย:

if (similarity > 90){
Serial.print("OK");
} else {
Serial.print("Not enough water, please add water");
}


### สรุปสั้นๆ
โปรเจค Coffee-Sense นี้คือคลาสเรียนระดับมาสเตอร์ในเรื่อง **Predictive Embedded Engineering** เลยนะเว้ย! การที่เราชำนาญเรื่อง **Edge-AI Vibrational Forensics** และ **Accelerometer Diagnostics** ทำให้โปรเจคนี้กลายเป็นโซลูชันระดับโปรสำหรับการดูแลเครื่องใช้ไฟฟ้า มันพิสูจน์ให้เห็นว่าเราสามารถใช้ซอฟต์แวร์อัจฉริยะแทนเซ็นเซอร์กลไกซับซ้อนในระบบสมาร์ทโฮมยุคใหม่ได้สบายๆ

---
*Predictive Precision: Mastering appliance maintenance through Edge-AI forensics.*
---

จัดไปวัยรุ่น! สู้งานนะน้อง