Tasty Vibes: Time Series Regression for the Kitchen of the Future
Technologie wird immer enger in den Alltag integriert und gestaltet diesen effizienter und komfortabler. Eine innovative Technologie für die Küche wird derzeit von der V-ZUG AG in Zusammenarbeit mit der FHNW entwickelt: Ein in das Kochfeld integriertes Waagesystem. Dieses neuartige System soll es ermöglichen, die Zutaten direkt im Topf auf dem Kochfeld zu wiegen.
Ausgangslage
Um die Masse der Zutaten im Topf zu bestimmen, wird das Kochfeld durch einen Shaker zum Schwingen gebracht. Mehrere Beschleunigungssensoren auf dem Kochfeld messen dann, wie stark sich das Kochfeld bewegt. Durch diese gemessenen Bewegungen soll auf die Masse des Topfs geschlossen werden. Im Rahmen dieses Projekts wurden mehrere Machine-Learning-Modelle entwickelt, welche aus den Vibrationsdaten die Masse der Zutaten im Topf vorhersagen können.
Zielsetzung
Das Ziel dieser Arbeit ist es, verschiedene, bereits bekannte Machine-Learning-Modelle, zu untersuchen, zu kombinieren und auf das Problem anzuwenden. Dabei soll die Prediction Performance der neu entstandenen Modelle mit verschiedenen Metriken verglichen werden.
Auschnitt der Daten
Diese Abbildung zeigt einen Ausschnitt der gemessenen Daten. Dabei entspricht die x-Achse der Zeit und die y-Achse sind die Messungen (in Meter pro Sekunde zum Quadrat (m/s²)) der Beschleunigungssensoren, welche sich unter dem Kochfeld befinden.
Methode
Visualisierung der Machine-Learning-Pipeline in diesem Projekt. Dabei wurden die gemessenen Daten (.npy Files) verarbeitet. Mittels PyTorch, Lightning und Sklearn wurden zwei Machine-Learning-Pipelines erstellt. Mit dem Tool Weights & Biases wurden die Trainings getrackt und deren Evaluation gespeichert.
Auswertung der Ergebnisse
Nebst den Metriken wie der Mean Absolute Error, wurden Scatterplots erstellt, um die vorhergesagten Werten mit den tatsächlichen Werten vergleichen zu können. Die rote Diagonale stellt dabei die ideale Vorhersage dar. Das heisst, je näher ein Punkt bei der Diagonalen liegt, umso besser war die Vorhersage.
Ergebnisse
Die Ergebnisse haben gezeigt, dass es in den Messdaten Zeitbereiche gibt, die mehr Informationen enthalten als andere Bereiche. Von den Regressionsmodellen erreichen die klassischen Machine-Learning-Modelle kombiniert mit MiniROCKET die besten Resultate. Linear und Ridge Regression schneiden dabei am besten ab. Deep Learning Modelle wie RNNs, MLPs und Transformers erreichen im Gegensatz zu den klassischen Machine-Learning-Modelle eine schlechtere Performance.
Technische Schlüsselbegriffe
- Programmier SprachePython
- Libraries/Packagesscikit-learn, PyTorch, PyTorchLightning
- Tools Weights & Biases
Kunde
V-ZUG AG
Clemens Herlitzius
Team
Amrit Kaur
Robin Roth
Betreuer
Prof. Dr. Michael Graber