許多工業(yè)工廠依靠電機來執(zhí)行生產(chǎn)過程。由于結構松動、軸承損壞、角度和線性不對準、腐蝕、共振和負載不平衡等影響，電機容易發(fā)生故障。

任何這些都可能導致長時間的機器停機。防止此類故障一直是制造業(yè)企業(yè)面臨的長期挑戰(zhàn)，因為他們尋求最大限度地降低成本并提高生產(chǎn)率。

基于計劃的維護策略可以通過在預定的時間間隔內(nèi)調(diào)整和更換零件和子系統(tǒng)來實現(xiàn)這些目標。不幸的是，基于計劃的維護可能會導致不必要的維護。而狀態(tài)維修則是根據(jù)設備的實際情況調(diào)整維修方案，提高效率和可靠性。

用于預測性維護的傳感器

預測性維護（PdM）可以提供進一步的改進。使用最新的高精度慣性傳感器和具有短距離或長距離無線連接的低功耗、高性能邊緣AI設備，可以連續(xù)實時收集和分析關鍵機器數(shù)據(jù)（圖1）。

圖1

.聯(lián)合收割機結合振動和MEMS溫度傳感器、電源管理、安全元件和運行機器學習庫的STM 32 MCU，無需占用太多空間或功耗，即可監(jiān)控設備和檢測故障。

在這種情況下，人工智能提供了幾個優(yōu)勢，可以實現(xiàn)實時和分布式數(shù)據(jù)分析，并在問題升級之前識別潛在問題。這種積極主動的方法可以最大限度地減少停機時間，降低維護成本，并通過在需要時精確解決問題來延長機器的使用壽命，從而優(yōu)化整體運營效率。

為了監(jiān)控這些機器，來自運動傳感器（加速度計，陀螺儀）的數(shù)據(jù)，通過不同的算法處理，可以在生產(chǎn)過程中連續(xù)分析電機的振動狀態(tài)。nbsp;

利用機器學習進行預測性維護

預測性維護的主要支柱是狀態(tài)監(jiān)測。使用數(shù)字3軸微機電系統(tǒng)（MEMS）傳感器的經(jīng)典狀態(tài)監(jiān)測方法依賴于作為控制單元操作的微控制器（MCU）來驅動電源管理，執(zhí)行數(shù)據(jù)記錄功能，然后使用常規(guī)時域和頻域分析來處理數(shù)據(jù)。

當機器正常運行時，監(jiān)測到的振動與標準分析模型密切相關。為了預測任何傾向于故障的漂移，PdM實施必須通過將振動數(shù)據(jù)與預定義的閾值進行比較來評估設備狀態(tài)。

這種經(jīng)典的方法具有局限性，因為它需要深入的系統(tǒng)機械和數(shù)學模型以及編程知識來構建算法和規(guī)則。此外，分析模型、算法和閾值具有有限的靈活性。如果資源或工作條件發(fā)生變化，就必須重寫規(guī)則。

在基于人工智能的方法中，神經(jīng)網(wǎng)絡模型和機器學習算法允許系統(tǒng)從數(shù)據(jù)中不斷學習，并相應地改進其模型。當設備條件發(fā)生變化時，預測模型的準確性和性能可以得到提高，而無需調(diào)整算法或理解工藝規(guī)則。

參考設計套件

在這篇文章中，我們提出了一個系統(tǒng)解決方案的基礎上STEVAL-PROTEUS 1參考設計套件，一個工業(yè)無線傳感器節(jié)點，具有緊湊的外形。該設計套件集成了MEMS傳感器、藍牙連接和嵌入式AI庫，可檢測被監(jiān)控設備中的異常并對故障進行分類。它通過USB電纜將結果發(fā)送到PC終端控制臺，或無線發(fā)送到相關的移動的應用程序STBLESensor。此應用程序以圖形方式顯示結果，并與云共享數(shù)據(jù)（圖2）。

圖2

.用于預測性維護的設備監(jiān)控

挑戰(zhàn)在于使用n分類機器學習模型早期檢測通常較晚檢測到的機械漂移。我們的目標是識別和分類插入線性錯位增量大小，與“幾十毫米級”的精度。

參考設計架構

STEVAL—PROTEUS1套件是一款專為工業(yè)應用中的溫度和振動監(jiān)測而設計的評估工具。主板（STEVAL—PROTEUS，圖3）包括一個經(jīng)過認證的無線電模塊、用于振動監(jiān)測的工業(yè)MEMS慣性傳感器組合、一個高精度溫度傳感器、電源管理和保護電路以及用于代碼和數(shù)據(jù)存儲的2 Gb閃存。

該板還提供STSAFE-A110安全元件，可為本地或遠程主機提供身份驗證和安全數(shù)據(jù)管理服務。所有組件都專門安裝在PCB的頂側，以方便直接連接。

無線模塊STM32 WB 5 MMG具有超低功耗的小尺寸和STM32 WB 55 VGY無線SoC。該SoC包含一個2.4 GHz集成RF部分，其中Arm Cortex-M4內(nèi)核用于應用處理，Cortex-M0+用于管理無線電層。M0+可以托管藍牙低功耗（BLE）5、802.15.4、Zigbee 3.0、Thread或專有軟件等堆棧。

圖3

. STEVAL-PROTEUS董事會

為了加快應用程序開發(fā)，該套件附帶了一個用于異常檢測和分類的固件包，可在Cortex-M4上運行。使用來自慣性傳感器的原始數(shù)據(jù)，AI算法可以提供任何問題的早期警告，例如不平衡或磨損。nbsp;

嵌入式AI是一個由NanoEdge AI Studio軟件工具生成的機器學習庫。它從STEVAL-PROTEUS板上的傳感器輸出生成的特定數(shù)據(jù)集開始。NanoEdge AI Studio軟件提取所需用例的機器學習庫-例如異常檢測或分類-將集成到傳感器節(jié)點上的MCU中。nbsp;

為了遠程感知機器狀態(tài)，當檢測到異常時發(fā)出指示，節(jié)點使用藍牙連接到STBLESensor應用程序。該應用程序允許用戶設置傳感器和庫參數(shù)，控制學習和檢測模式，并監(jiān)控設備故障狀態(tài)。

信號處理和ML模型生成

通常，傳感器以原始形式提供數(shù)據(jù)，這不適合傳統(tǒng)的預測性維護應用。在傳統(tǒng)算法或基于ML的算法開始操作數(shù)據(jù)之前，必須使用過濾、整形和其他預處理方法。為了最佳地設計預處理和處理鏈，設計人員必須了解信號的特性。

STEVAL-PROTEUS節(jié)點可以從機載慣性傳感器獲取振動數(shù)據(jù)，并使用STM32 WB MCU直接在邊緣處理數(shù)據(jù)。nbsp;

在狀態(tài)監(jiān)測中，傳感器信號是沿沿著x—y—z軸的加速度樣本的集合。圖4顯示了在時域和頻域中表示的與正常機器條件對應的振動。

圖4

.原始和轉換的傳感器信號。單擊放大圖像

樣本存儲在應用程序固件中實現(xiàn)的循環(huán)數(shù)據(jù)緩沖區(qū)中。圖5總結了數(shù)據(jù)生產(chǎn)、處理和發(fā)送結果的邏輯流程。

圖5

. STEVAL-PROTEUS傳感、處理和通信

在這個例子中，NanoEdgeAI（NEAI）Studio生成了一個包含預處理塊和ML模型的庫。該工具包含自動化機器學習軟件，讓嵌入式開發(fā)人員無需廣泛的機器學習或數(shù)據(jù)科學知識即可開始使用。它可以生成一個預編譯的C庫，可以集成到STM32 MCU中。通過遵循圖6所示的工作流程，用戶可以使用NanoEdge AI Studio獲得可靠的庫。

圖6

. NanoEdge AI Studio工作流程

本示例的目的是將電機軸不對準分為四個嚴重性類別。第一步是定義四個類。然后，您將使用高速數(shù)據(jù)記錄固件獲取加速度計數(shù)據(jù)，以生成每個類的數(shù)據(jù)集。

STEVAL-PROTEUS板上的ISM 330 DHCX加速度計配置為標稱輸出數(shù)據(jù)速率為833 Hz，滿量程為2 g。幾個預采集周期有助于識別電機速度的這些參數(shù)，以確保正確的采樣頻率和x-y-z軸上的最大加速度值。nbsp;

注入條件定義數(shù)據(jù)集：

無未對準或標稱條件

0.20 mm錯位

0.40 mm錯位

0.60 mm錯位

然后，您需要創(chuàng)建一個N類分類NEAI項目，并將STEVAL-PROTEUS 1作為目標。然后可以導入這四個數(shù)據(jù)集，基準測試可以根據(jù)幾個性能指標和內(nèi)存占用來確定最佳模型。nbsp;

數(shù)據(jù)集包括423條線或信號，每個信號包含128 × 3個樣本。(Note一個樣本包括對應于在三個軸上測量的加速度的三個值）。循環(huán)緩沖區(qū)的大小取決于信號的大?。杭疵總€項目128 × 3個樣本。

在基準測試過程中，NanoEdge AI Studio會訓練、交叉驗證和測試候選庫。它為每個候選人分配一個分數(shù)，并在基準測試完成時提供一個排名。圖7顯示了與從排名中選擇的模型相對應的基準圖。

圖7

. NEAI模型的基準測試

在這個例子中，基準測試需要23分鐘。選擇的SEFR（可擴展、高效和快速分類）模型使用約3 KB的RAM和4 KB的閃存。換句話說，NEAI處理占用了6.4%的RAM和0.5%的STEVAL-PROTEUS板載閃存。(Note：這些百分比的計算考慮了使用FUS v1.2.0.0和BLE全棧v1.13.0.5的用戶應用程序的可用RAM和閃存，）

NanoEdge AI Studio提供了幾個性能指標來評估模型性能，如圖8所示。在這些指標中，平衡精度是數(shù)據(jù)集平衡的多類分類問題中最重要的值之一。在多類分類問題中，如果每個類包含相同數(shù)量的樣本，則數(shù)據(jù)集是平衡的。

圖8

.模型性能指標

信號處理鏈包括傳統(tǒng)信號處理功能和SEFR多類分類器機器學習算法的組合，以識別四個級別的未對準（圖9）。

圖9

.用AI增強信號處理鏈。單擊放大圖像

接下來，軟件功能包（FP-AI-PDMWBSOC）有助于加速MCU（STM32 WB）上的ML模型部署。該軟件包專為STEVAL-PROTEUS 1開發(fā)，將NEAI庫集成在一個適合管理不同類型傳感器和連接的環(huán)境中。

在傳感器管理器模塊中，多個傳感器線程處理傳感器初始化、配置和數(shù)據(jù)生成。數(shù)據(jù)構建器可以從傳感器任務中獲取少量數(shù)據(jù)，并對其進行操作以填充循環(huán)緩沖區(qū)。稍后，當一個項目準備就緒時，NEAI線程處理數(shù)據(jù)。

這使得數(shù)據(jù)能夠通過如前所述的處理鏈。STEVAL-PROTEUS節(jié)點通過藍牙連接到客戶端設備（如智能手機）共享結果（減少到幾個字節(jié)）。

系統(tǒng)設置和結果

故障分類解決方案可以使用伊勢開發(fā)的OneX工具等專業(yè)測試臺進行驗證。這可以模擬電機最常見的故障，例如軸不對中、不平衡負載、結構松動和軸承損壞。

測試臺包含一個電機和驅動器，帶有機械聯(lián)軸器和軸，模擬不平衡的配重盤和三個軸承。軸承箱允許應用受控的未對準或安裝損壞的軸承，以進行分析。nbsp;

圖10

.使用OneX工具進行測試設置

如圖10所示，我們將STEVAL-PROTEUS節(jié)點連接到第二個關節(jié)面上。馬達速度設定為3000 rpm。然后，測試逐漸引入更大的軸承軸不對準，保持其他實驗參數(shù)相同。PROTEUS節(jié)點在所有四個類別中正確識別出未對準，并將結果傳達給智能手機應用程序。

圖11

.結果顯示在移動的應用程序上。

如圖11所示，移動的應用程序顯示與所識別的條件相對應的數(shù)字。該應用程序還負責與云共享結果。

使用相同的程序應用其他電機故障以生成適當?shù)腗L庫的進一步測試表明，使用PROTEUS節(jié)點進行推理也可以正確識別正常和不平衡負載、機械松動和軸承故障。

設備故障的早期檢測

通過人工智能（AIoT）增強的物聯(lián)網(wǎng)傳感器節(jié)點通過支持早期檢測工業(yè)設備行為中的漂移來提高預測性維護應用的有效性。

傳感器豐富的STEVAL-PROTEUS節(jié)點與使用NanoEdge AI Studio開發(fā)的推理應用程序相結合，可以檢測異常振動并根據(jù)嚴重程度正確識別未對準的幅度。

該傳感器和應用程序可以量化十分之一毫米量級的軸不對中，或小于1克的不平衡。此外，該節(jié)點的藍牙連接通過在系統(tǒng)解決方案中包含藍牙低功耗網(wǎng)關，實現(xiàn)工廠內(nèi)外的遠程監(jiān)控。

審核編輯 黃宇