作为一名电气工程师 免不了要跟各种设备仪表打交道：温度采集模块、压力表、位移计.....（图是在淘宝随便找的）

图1：常见设备仪表

         对这些设备仪表进行数据采集往往有两种形式:一种是通讯（比如Modbus、自由口等等），只需要了解报文协议，解析报文后就能直接获取到具体数值；

图2：常见通讯协议

    

       另一种是模拟量，获取的模拟量是"原始采集值"，需要做下换算才能得到真实数值。比如，我的压力传感器量程是0-100KN，如果连接的PLC模拟量输入模块分辨率是15位，那么整个量程就被细分为了2的15次方，也就是0-32768；

                图3：压力表的模拟量输出 

       在理想情况下，它们是线性关系：y=kx，我们可以很轻易的根据读取到的模拟量数值计算压力值，比如模拟量10000，那么：

       实际压力值=10000/32768*100KN=30.51KN

       但是，实际的电路大部分上都存在零点偏移，比如0KN时，模拟量采集值却显示在1300左右跳动；加满压时，模拟量采集值还没到32768。这时简单的比例关系就不够了，需要增加一个偏置y=kx+b,这时有两个变量，分别是k和b,我们在程序里面对应增加一段标定程序，通过在不同的压力值下记录当时的模拟量，然后解二元一次方程，得到k,b值；

 

图4：压力值与模拟量的线性关系

    当然，实际情况下，为了避免采集到异常波动值我们还会先对模拟量做下滤波，比如限制大小范围（幅值滤波），然后取5次扫描周期的均值（平滑滤波）等等，常用的滤波算法我会在评论区放个古早论坛的滤波帖链接，这里就不多赘述滤波了；但考虑到标定过程中的也会有噪声影响（实际测量值围绕真实值上下波动），仅使用两点标定（如X1，X2）的参数可能因为一次性的随机误差影响最终测量精度。      

 

      图5：通过获取不同阶段压力值进行标定取点

       为优化标定的精度，一方面可以通过选取接近测量范围下限的压力值作为第一标定点(如X1)，接近测量范围上限的压力值作为第二标定点（如X4），拉长跨度，提升标定直线的斜率计算精度，从而降低系统在全量程范围内的线性误差。选取的两点过于接近（如X1,X2），误差（斜率即角度）只会随着跨度增加被放大；另外还可以通过重复多次标定取均值的方式来拟合实际参数，减小误差；

        以上，就是我们常规的方法来获取y=kx+b中的k,b参数；

     那这又跟机器学习有什么关系呢？一起看看怎么用完整的机器学习方式实现根据模拟量预测压力值。以下是机器学习进行模型训练的大致流程：

 

图6：机器学习的模型训练大致流程

       在机器学习中，我们往往把采集的实际x,y值称为数据集，图中的预设模型其实就是函数关系f以及有哪些待确认的参数，这里我们已知x,y是线性关系，待确认参数k，b,所以f(x)=kx+b；看到这里，是不是觉得和前面的标定没啥区别？确实是的，只是在面对多组x,y值来训练机器学习模型时，我们会先预设k,b为某个值，比如5,1,然后我们会把数据集中的x值代入到方程中，获取对应的y值。求得的y值和数据集中的y值（也称为标签）是存在差异的，我们会汇总差异并将减小这个差异值作为我们接下来更新k,b参数的目标。

       现在问题来了，怎么更新k,b呢？继续瞎设么？当然不是，这里我们引入个“损失函数”的概念，既然k,b是为了减小差异值而更新，那我们把差异值设个函数。常见有两种损失函数，一种均方误差（MSE，Mean Squared Error），预测与真实值之差的平方和；另外一种平均绝对误差（MAE, Mean Absolute Error），计算预测值与真实值之差的绝对值的平均值，以下是二者对比：

表1：两种常见损失函数(from 通义千问)

       通过对k,b求偏导，我们可以获取损失函数在当前参数取值下的梯度（坡度最陡的上升方向）信息，我们要获得最小的差异值，所以我们应该往梯度反方向走，走多少呢？这里引入一个新的参数“学习率”，k,b的更新步长=方向X学习率，这就是k,b更新的规则。每次更新后重新计算损失，再比对差异值是否在接受范围，或更新的轮次是否已经达到设定，任意一个满足的情况下，我们停止训练，取最后更新的k,b作为我们模型训练出的参数。当然，达到损失值最小的更新策略，其实有很多种方式，以上我们介绍的只是其中一种优化算法：梯度下降优化算法。

图7：梯度下降优化算法 （图源Analytics Vidhya）

       以上，训练完成了， f(x)=k模型x+b模型 , 恭喜大家，已经掌握了机器学习里面的线性回归算法....就这？没错，就这!机器学习是让机器学习数据，实现预测或决策，这和我们做标定得到函数或者直接把多组采集数据放在excel中拟合一条直线获得线性方程并没有什么不同。只不过这个简单场景下，Excel直接求解其实会更快，哈哈。

       我只是想通过这个例子让大家能对机器学习中的数据集，模型训练流程，模型（就是f），损失函数，最小化损失函数，梯度，梯度方向，学习步率，轮次….建立了解，机器学习的模型是怎么训练的？以后的算法也都是同样的套路。只不过数据集不一样，数据集中的数据关系不一样，所以模型的选择，损失函数的选择，优化算法的选择会有差异而已。关于python代码实现，相关库基本都有了，使用时只需要调用即可。就跟我们封装的功能块一样，需要的话，调用，引脚配置下就完事；

       因为写这篇文章，我预设的受众是有电气工程师经验的人，所以不确定有些内容放在这里是否合适，尤其是前面部分是不是写得太没必要了。总之写了就希望尽可能起到作用。所以，如果大家有啥建议尽管提。