摘要

本文由Tianheng Ling等人撰写，题为“Towards Auto-Building of Embedded FPGA-based Soft Sensors for Wastewater Flow Estimation”，探讨了在资源有限的物联网设备上使用基于深度学习（DL）的软传感器进行废水流量估计的问题。文章指出，尽管DL技术在流量估计方面显示出可靠性和能效的潜力，但在废水流量估计领域的应用仍面临数据集缺乏、设备上AI模型开发和部署工具链不便以及硬件平台未针对能效软传感器应用进行优化等挑战。为此，研究提出了一种自动化、端到端的解决方案，通过原型物联网设备实现废水流量估计。

原理

本文的核心在于利用嵌入式FPGA（现场可编程门阵列）和雷达传感器，通过深度学习模型实现废水流量的实时精确估计。关键技术包括：

1. 数据收集：使用定制的测试台收集废水流量数据，特别是在废水处理厂（WWTP）的入口和出口处设置的开放渠道测流槽。
2. 模型自动化部署：开发了一个开源工具链ElasticAI.Creator，用于自动生成软传感器的加速器。该工具链支持整数量化MLP模型，使得用户只需准备数据集并执行单一命令，即可生成适用于部署在支持的物联网设备上的可执行加速器。
3. 硬件系统优化设计：通过将XC7S15 FPGA替换为更小的ICE40UP5K FPGA，优化了硬件设计以提高能效。这种替换基于先前研究中发现的低资源利用率和高静态功耗问题，新的FPGA设计显著降低了系统的能耗。

流程

论文描述的工作流程从应用场景的数据收集开始，到边缘设备的模型实现结束。具体步骤包括：

1. 数据收集：在WWTP的入口和出口设置测流槽，使用雷达水平传感器收集流量数据。
2. 模型设计与量化：使用ElasticAI.Creator工具链集成和训练整数量化的MLP模型。
3. 模型部署：生成的加速器部署在优化后的硬件平台上，如ICE40UP5K FPGA。 整个流程旨在实现从数据收集到模型部署的自动化，确保实时、准确的废水流量测量。

应用

该研究的应用前景广阔，特别是在城市排水系统的实时监控和管理中。通过提高废水流量估计的准确性和能效，可以有效预防城市排水系统的溢流事件，从而改善公共健康和环境可持续性。此外，自动化模型部署和优化硬件设计的方法，也为其他物联网设备上的深度学习应用提供了可复制的解决方案。