瑞萨单片机AI教程【七】SKAB异常检测模型

开发板官网（www.edevkit.com）

SKAB异常检测模型

下载模型训练数据

下载地址：https://opendatalab.com/OpenDataLab/SKAB/explore/main

解压之后，打开“data”->“value”文件夹，

有15个实验数据，打开文件，可以看到数据用“;”处理，并没有形成表格，接下来通过Python代码把文件输出成表格形式。

python转换代码：

import pandas as pd import os # 处理 1.csv 到 14.csv for i in range(1, 15): input_file = f"{i}.csv" output_file = f"out{i}.csv" try: # 检查输入文件是否存在 if not os.path.exists(input_file): print(f"警告：文件 {input_file} 不存在，跳过") continue # 读取原始 CSV 文件（分号分隔） df = pd.read_csv(input_file, sep=';') # 输出为新的 CSV 文件（默认逗号分隔） df.to_csv(output_file, index=False, encoding='utf-8-sig') print(f"✓ 已处理：{input_file} -> {output_file}") except Exception as e: print(f"✗ 处理文件 {input_file} 时出错：{e}") print("\n所有文件处理完成！")

新建tocsv.py文件,复制代码，在CMD执行“python tocsv.py”。所有文件都会转为表格。

数据说明

数据采集自一个专门搭建的水循环泵试验台，通过控制阀门的开关来模拟真实工业过程中的各种异常状况 。
传感器数据：每个时间点都记录了8个不同传感器的读数，包括：加速度计 (2个)、电流、压力、温度、热电偶、电压和体积流量。
包含34个独立的CSV实验文件，每个文件代表一次实验，并且至少包含一次异常 。总数据点约37,401个，其中异常数据占比少于5%，高度符合现实场景中“异常稀疏”的特点。
数据字段：
| datetime | 日期时间 |
|---|---|
| Accelerometer1RMS | 加速度计1均方根 |
| Accelerometer2RMS | 加速度计2均方根 |
| Current | 电流 |
| Pressure | 压力 |
| Temperature | 温度 |
| Thermocouple | 热电偶 |
| Voltage | 电压 |
| Volume Flow RateRMS | 体积流量均方根 |
| anomaly | 异常 |
| changepoint | 变化点 |

根据数据，接下来通过“Reality AI Tools”训练一个异常检测模型，时间字段和变化点字段不需要，结合传感器数据和异常状态准备训练数据。

导入数据

准备csv数据文件

前面转换好了表格文件，接下来需要筛选数据，选取out1~out4四个文件，然后把“datatime”和“changepoint”两列删除，把“anomaly”异常状态为1的数据筛选出来保存到新表格。

如：out1~~out4是正常数据，out1_1~out4_1是异常数据。

准备metadata描述文件

复制一个之前的“metadata.csv”文件，修改描述给上面的文件添加标签。

正常数据添加“Normal”标签，异常数据添加“Abnormal”标签。

导入数据文件

进入“Reality AI Tools”添加一个工程“SKAB”。

进入“Data”->“Source”->“External Data”，上传准备的数据文件。

上传完，填写采样频率，表格数据是1s一组数据，所以填写1hz。

导入metadata.csv文件

进入“Data”->“Curate”点击②“Add Metadata”，添加准备的“metadata.csv”文件。

添加文件后，点击③打开配置侧栏，点击④选择“Target Class”分类，可以看到⑤文件都被添加了标签分类。
接下来就可以添加数据集训练。

训练模型

添加数据集
全选所有文件，点击“Add to Data Set”，创建数据集。

2.添加采样列表
进入“Data Sets”选择刚添加的数据集，点击“Create Sample list”->“Single list”创建采样列表。
窗口值设置为1，每次输入一组数据。

进入“AI Explore”->“Classes”，选择添加的采样列表。点击下方的Start exploring”开始训练模型。
等待模型生成完成。

生成完成，选择模型，点击“Create Base Tool”添加生成代码。
进入“Deploy”->“Embedded”，选择模型，点击“+New Package”配置部署，

点击“Generate Package”开始生成代码。
等待生成完成，点击“Download”下载代码，也可以直接在e2 Studio工程中下载。

模型使用

生成模型代码下载后放到工程项目“src”文件夹下。
下载方式具体参考6.3章节，如果是新工程还需要添加库路径，具体参考5.1章节。
打开“example.c”修改示例函数，使用训练测试数据，不使用随机数。输入数据是一组9个数据，从训练数据表格赋值10组数据，放入数组中。

修改代码，按顺序输入10组数据打印结果。

编译下载，查看串口打印结果。