Innholdsfortegnelse:
2025 Forfatter: John Day | [email protected]. Sist endret: 2025-01-13 06:58
Denne enheten er ment å klassifisere forskjellige elektroniske enheter i henhold til deres EM -signaler. For forskjellige enheter har de forskjellige EM -signaler som sendes ut av den. Vi har utviklet en IoT -løsning for å identifisere elektroniske enheter ved hjelp av Particle Photon kit. Vår bærbare enhet kan bæres på håndleddet som har en kompakt tilkobling av partikkelfoton med en OLED -skjerm og kretsforbindelse fra partikkelfoton til antennen i settet.
Denne enheten kan integreres ytterligere for å kontrollere de elektroniske enhetene og gjøre dem til "smarte enheter" med all programvare med åpen kildekode, slik at du kan kontrollere den, også endre eller forbedre funksjonen til denne enheten.
Trinn 1: Maskinvare: Kretsdesign
Komponenter: (fra Particle Maker kit)
Du kan kjøpe settet fra forskjellige nettsteder.
- Amazon nettsted
- Partikkel nettsted
- Adafruit nettsted
- Partikkelfotonutviklingstavle
- Motstander x 3 - 1 megaohm
- 3-5V 0,96 "SPI Seriell 128X64 OLED LCD-skjerm
- Antenne (for å få EM -avlesninger/fotavtrykk)
Trinn 2: Maskinvare: 3D -utskrift
- Vi designet armbåndsskiven vår med en 3D -skriver.
- 3D -modellen ble designet i Shapr3D -applikasjonen ved hjelp av iPad Pro.
- stl-filen til 3D-modellen ble importert og presset inn i Qidi-programvaren siden vi brukte X-one-2 Qidi Tech-skriveren.
- 3D -skriveren tok omtrent 30 minutter å skrive ut modellen.
- lenke til stl -filen.
Trinn 3: Maskinvare: Laserskjæring
- Vi designet armbåndsmønsteret ved hjelp av Adobe Illustrator.
- Den designede modellen ble deretter eksportert til Universal Laser -maskin hvor vi kuttet treverket til et fleksibelt håndleddsbånd.
- lenke til svg -fil.
Trinn 4: Programvare: Datainnsamling
-
Ved å bruke Photon publiserer du 3 x 100 dataverdi hver mulig forekomst.
- Skriver data fra Photon til data.json i nodeserver.
- Analyserer data fra nodeserver til MATLAB.
- Data som sendes til MATLAB er i form av 1 x 300.
Trinn 5: Programvare: Trening av det innsamlede datasettet
- Biter på 1 x 300 - mat til MATLAB. (For hver enhet 27 prøver samlet) 27 x 300 data samlet.
- Lagt til funksjoner i dataene - (5 funksjoner) - gjennomsnitt, median, standardavvik, skjevhet, kurtosis.
- Trener dataene i MATLAB -klassifiseringsverktøykasse
- Testing av frakoblede data (6 x 6) i samme verktøykasse