[[en]]We research & develop the highest quality products for telemetry industry[[lv]]Mēs ražojam visaugstākās kvalitātes produktus telemetrijas nozarei

Take any of Intelligent Systems products under your white label

Tons of success stories

White label partners from India, Spain, Ghana, Bulgaria, Belgium, Germany, Uganda, Latvia, Netherlands, USA e.t.c.

Easy starting process

We will quickly set-up a platform and mobile app to fit your product branding and specific functionality needs.

Full technical support

Our team of experts supports your product by providing a transparent extension to your internal technical team.

[[en]]Contact Us![[lv]]Sazinies ar mums!

[[en]]Let's have a chat - we can help you to level up your business![[lv]]Parunāsim - kā mēs varam palīdzēt uzlabot Jūsu biznesu!

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.

SIA Intelligent Systems īstenojusi pētniecības projektu Latvijas Atveseļošanas un noturības mehānisma plāna 5.1.r. reformu un investīciju virziena "Produktivitātes paaugstināšana caur investīciju apjoma palielināšanu P&A" 5.1.1.r. reformas "Inovāciju pārvaldība un privāto P&A investīciju motivācija" 5.1.1.2.i. investīcijas "Atbalsta instruments inovāciju klasteru attīstībai" īstenošanas noteikumu kompetences centru ietvaros.
Pētniecības projekta numurs un nosaukums: Nr. 1.11 Degvielas kontroles sistēmas izstrāde, kas spēj noteikt degvielas noliešanu pašā degvielas mērstienī, izmantojot mašīnmācīšanās (ML) paātrinātājus.
Projekts Nr. 5.1.1.2.i.0/1/22/A/CFLA/002 Projekta mērķis ir izstrādāt produktu, kas spēj ātri (<10sec) un precīzi (>99%) noteikt degvielas noliešanas notikumu un nolieto degvielas daudzumu, kā arī informēt par šo notikumu atbildīgo personu. Lai samazinātu pārraidāmo datu apjomu un uzlabotu notikumu noteikšanas laiku, vēlamies ieviest daļu aprēķinu uz pašu sensoru, kur temperatūras kompensāciju, filtrāciju un notikumu ģenerēšanu uzticētu mašīnmācīšanās (ML) perifērijai. 
Visi projekta mērķi uz termiņu 2024. gada 31. maijs ir sasniegti. Ir savākti un marķēti dati par degvielas līmeņa anomālijām un uzpildīšanas notikumiem, ieskaitot degvielas līmeņus pirms un pēc notikumiem. Ir apkopoti ilgtermiņa degvielas līmeņa dati un degvielas plūsmas ātrumi. Par mašīnmācīšanās platformu tika izvēlēti Keras un TensorFlow. Izstrādāts, apmācīts un testēts CNN autokodētāja modelis, kas uzrāda augstu veiktspēju simulētajos datos, bet nepieciešami uzlabojumi darbā ar trokšņainiem reāliem datiem. Turpinās darbs pie datu pirmapstrādes un modeļa apmācības uzlabošanas. Elektriskās shēmas un PCB izkārtojumi aparatūras prototipam ir pabeigti, drīzumā sāksies ražošana un STM32 pielāgošana.
Visi projekta mērķi, kas noteikti līdz 2024. gada 2. decembrim, ir sasniegti. Atlikušie projekta mērķi tiek īstenoti atbilstoši grafikam. Ir izstrādāts degvielas līmeņa mērstieņa prototips, veikta tā ražošana, un mašīnmācīšanās modelis ir uzstādīts un sekmīgi darbojas uz prototipa ierīces. Prototipa darbība ir pārbaudīta reālā vidē gan ar fizisku testa stendu, gan arī vienā no uzņēmuma klientu transportlīdzekļiem. Projekta koncepcijas apliecinājums ir sasniegts, taču nepieciešams veikt papildu darbu, lai uzlabotu prototipa mašīnmācīšanās modeļa noliešanas notikumu atklāšanas un atskaišu precizitāti reālajā vidē.
Projekta sasniegtie rezultāti:
Projekta izpilde ir veiksmīga - visi iecerētie projekta mērķi ir sasniegti. Ir izstrādāts un izgatavots degvielas mērstieņa prototips. Prototipa ierīcei ir izstrādāta programmaparatūra, kas apvieno pamatfunkcijas – sensoru un komunikāciju funkcijas (neapstrādāti degvielas līmeņa dati, degvielas stieņa temperatūra, CAN komunikācija utt.) – ar konvertēto mašīnmācīšanās (ML) bloku un neapstrādāto datu apstrādes funkcijām, kas nepieciešamas reāllaika iegultās mašīnmācīšanās apstrādei. Tiek veikta datu pārraide uz SkyFMS serveri, kur tie ir pieejami lietotājam. Prototipa pamatfunkcijas darbojas pareizi. Testi gan simulācijas vidē, gan mikrokontrollerī parāda, ka konvertētais ML modelis spēj noteikt degvielas uzpildes/iztukšošanas notikumus mazāk nekā 10 sekundēs ar >99% noteikšanas precizitāti. Šī veiktspēja atbilst sākotnējiem projekta mērķiem.