为提升高端机型在高速脱水阶段的感知能力，我开发了 ‘基于轻量化神经网络的衣物不平衡（OOB）实时检测系统’从研发到量产的端到端部署。
我的职责
1. 数据采集与预处理- 采集洗衣机运行时核心数据（ m_real 实际负载质量、 W 洗涤桶转速、 D 水流强度、 name 负载类型标识及目标输出 A 运行参数优化值），整理为 test.xlsx 训练数据集；- 对数据集进行清洗、归一化处理，计算特征均值与标准差并存储（用于部署时数据一致性保障），按8:2比例划分训练集与测试集。
2. 神经网络模型训练- 构建3层全连接神经网络（输入层4神经元→隐藏层32→16神经元→输出层1神经元），配置ReLU激活函数、MSELoss损失函数、带L2正则化的Adam优化器；- 完成50轮模型训练，监控训练/测试损失变化，确保模型泛化能力，最终保存 .pth 格式模型文件（ oob_model3.pth ）。
3. 模型轻量化与格式转换- 将训练完成的 .pth 模型转换为ONNX格式（适配嵌入式平台），通过动态量化技术将模型权重从32位浮点型转为8位整数型，压缩模型体积并提升推理速度；- 验证量化后ONNX模型的兼容性与精度损失，确保满足嵌入式硬件存储和算力要求。
4. 模型部署与调试- 配合嵌入式开发工程师，将量化后的ONNX模型部署至STM32开发板，协助完成模型推理会话初化、输入输出节点适配；- 解决部署过程中数据预处理一致性、模型维度不匹配等问题，确保模型在开发板上稳定运行。
5. 结果验证与优化- 编写串口通信相关代码，实现开发板推理结果（预测值 A ）向上位机的实时传输；- 对比上位机接收的推理结果与实际值，分析误差（目标误差≤±3%），针对性优化模型或预处理逻辑，确保部署效果达标。