Brug en aktuel sensor til effektivt at erhverve data til forudsigelig vedligeholdelse med AI

Internet of Things (IoT) har skabt en enorm interesse i at bruge kunstig intelligens (AI) og maskinindlæringsteknologier (ML) til at overvåge maskinens sundhed, herunder motorer, generatorer og pumper, og at advare vedligeholdelsesingeniører om eventuelle truende problemer . Et problem for designere af AI/ML-systemer, der ønsker at implementere denne type forudsigende vedligeholdelse, er at vælge den bedste sensor til applikationen. Et andet problem er, at relativt få designere har nogen erfaring med at skabe AI/ML-applikationer.

For at få de data, som AI/ML-systemet kan reagere på, vælger designere ofte sofistikerede sensorer som tre-aksede accelerometre kombineret med kraftige udviklingsplatform til mikrocontrollere. I mange tilfælde er det dog muligt at nå det ønskede mål ved hjælp af en simpel strømføler i forbindelse med en mere beskeden og billigere udviklingsplatform for mikrocontroller.

Denne artikel introducerer ideen om at bruge en transformere til strømregistrering til at opnå de data, der kræves til simpelt og omkostningseffektivt at implementere AI/ML-applikationer. Brug af en billig Arduino IoT-mikrocontrollerudviklingsplatform og en transformere til strømregistrering fra CR Magnetics, artiklen præsenterer også et simpelt kredsløb, der anvender den aktuelle sensor til at overvåge en vakuumpumpes helbred med et integreret filter, der advarer brugeren, når filteret er tilstoppet. Endelig præsenterer artiklen en oversigt over processen til oprettelse af den tilknyttede AI/ML-applikation.

Enkle sensorer til AI/ML

For at tilegne sig de data, som en AI/ML-applikation kan reagere på, vælger designere ofte sofistikerede sensorer som treakse accelerometre; men denne type sensor kan generere store mængder data, der er vanskelige at manipulere og forstå. For at undgå denne kompleksitet er det værd at huske, at alt er indbyrdes forbundet. Ligesom en skade på en del af en persons krop kan forårsage henvist smerte, der opfattes andetsteds i kroppen, kan en svigtende leje i en motor ændre den strøm, der bruges til at drive motoren. Tilsvarende kan et blokeret luftindtag ud over at forårsage overophedning også ændre den strøm, der bruges til at drive motoren.

Følgelig kan overvågning af et aspekt af en maskins drift kaste lys over andre aspekter af dens funktion. Som et resultat er det muligt at nå det ønskede overvågnings- og sensormål ved at observere en relateret parameter ved hjælp af en væsentligt enklere sensor, såsom en billig og lille CR3111-3000 split-core nuværende transformere til strømregistrering fra CR Magnetics (figur 1).

Figur 1: CR3111-3000 split-core transformere til strømregistrering giver en billig, brugervenlig strømdetektor, der kan bruges som den primære sensor i en AI/ML forudsigende vedligeholdelsesapplikation. (Billedkilde: CR Magnetics)

CR3111-3000 kan bruges til at detektere strøm op til 100 ampere (A) (andre medlemmer af CR31xx-familien kan anvendes til mindre eller større strømværdier). Alle familiemedlemmer understøtter et frekvensområde på 20 hertz (Hz) til 1 kilohertz (kHz), der dækker størstedelen af industrielle applikationer. Også alle CR31xx-enheder anvender et hængsel og en låseknap, der gør det muligt at fastgøre dem uden at afbryde den strømførende ledning.

Arduino Nano 33 IoT

Et eksempel på en billig microcontroller-udviklingsplatform, der er velegnet til prototyping af simple AI/ML-applikationer, er ABX00032 Arduino Nano 33 IoT fra Arduino (figur 2). Med en Arm® Cortex®-M0 + 32-bit ATSAMD21G18A processor, der kører på 48 megahertz (MHz) med 256 kilobytes (Kbytes) flash-hukommelse og 32 Kbytes SRAM, er Arduino Nano 33 IoT også udstyret med både Wi-Fi og Bluetooth-forbindelse.

Figur 2: Arduino ABX00032 Nano 33 IoT giver en billig platform til at bygge AI/ML-applikationer til at forbedre eksisterende enheder (og oprette nye) til at være en del af IoT. (Billedkilde: Arduino)

Dataindsamlings-kredsløb

Kredsløbet anvendt til formålet med denne diskussion er vist nedenfor i figur 3. CR3111-3000 omdanner den målte strøm, der driver maskinen til en meget mindre ved hjælp af et forhold på 1000: 1.

Figur 3: Kredsløbet, der bruges til at konvertere output fra CR3111-3000 til en form, der kan bruges af Arduino Nano 33 IoT med dens 3,3 volt indgange. (Billedkilde: Max Maxfield)

Modstand R3, som er forbundet over CR3111-3000's sekundære (output) spole, fungerer som en belastningsmodstand, der producerer en udgangsspænding, der er proportional med modstandsværdien, baseret på mængden af strøm, der strømmer gennem den.

Modstande R1 og R2 fungerer som en spændingsdeler og danner en "virtuel jord" med en værdi på 1,65 volt. Dette gør det muligt for værdierne fra CR111-3000 at svinge positivt og negativt og stadig ikke ramme en skinne, da mikrocontrolleren ikke kan acceptere negative spændinger. Kondensator C1 er en del af et RC-støjfilter, der reducerer støj fra 3,3 volt forsyning og nærliggende omstrejfende fra at komme ind i målingerne og derved hjælper spændingsdeleren med at fungere som en bedre jord.

En vakuumpumpe med et integreret filter blev brugt til at tilvejebringe en demonstrationstestbænk. Med henblik på denne prototype, Tripp Lite's P006-001 1 fods (ft.) forlængerledning blev indsat mellem strømforsyningen og vakuumpumpen (figur 4).

Figur 4: Forlængerledningen på 1 fod, der blev modificeret til at acceptere den aktuelle sensor. (Billedkilde: Max Maxfield)

Prototypekredsløbet blev implementeret ved hjælp af komponenter fra forfatterens skattekiste af reservedele (figur 5). Tilgængelige ækvivalenter vil være som følger:

• (1) Adafruit 64 breadboard
• (1) Twin Industries TW-E012-000 forud-dannet trådsæt til brug sammen med breadboards
• (1) Stackpole Electronics RNMF14FTC150R 150 ohm (Ω) ±1 % 0,25 watt (W) hulmonterede hulmodstand
• (2) Stackpole Electronics' RNF14FTD10K0 10 kiloohm (kΩ) ±1 % 0,25 W hulmonterede hulmodstand
• (1) KEMET ESK106M063AC3FA 10 mikrofarad (µF) 63 volt aluminium elektrolytisk kondensator

Figur 5: Prototypekredsløbet blev implementeret ved hjælp af et lille breadboard og komponenter fra forfatterens skattekiste med reservedele. (Billedkilde: Max Maxfield)

Med hensyn til ledningerne fra den aktuelle sensor, 1931 22-28 AWG krympestifter fra Pololu Corp. blev krympet i enderne. Disse stifter blev efterfølgende indsat i en 1904 5 x 1 sort rektangulært hus med en 0,1 tomme (2,54 millimeter (mm)) stigning, også fra Pololu.

Oprettelse af AI/ML-applikationen

For at oprette AI/ML-applikationen, en gratis prøveversion af NanoEdge AI Studio blev åbnet fra Cartesiums hjemmeside (se også, “Easily Bring Artificial Intelligence to Any Industrial System”).

Når NanoEdge AI Studio lanceres, opfordres brugeren til at oprette og navngive et nyt projekt. Brugeren bliver derefter spurgt om, hvilken processor der bruges (en Arm Cortex-M0 + i tilfælde af Arduino Nano 33 IoT-udviklingskortet), type af sensoren, der anvendes (en nuværende sensor i dette tilfælde), og maksimal hukommelse, der skal afsættes til denne AI/ML-model (6 Kbytes blev valgt til denne demonstration).

For at skabe AI/ML-modellen er det først nødvendigt at fange repræsentative prøver af gode og dårlige data (figur 6). En simpel Arduino-skitse (program) blev oprettet for at læse værdier fra den aktuelle sensor. Disse data kan indlæses direkte i NanoEdge AI Studio "on-the-fly" fra mikrocontrollers USB-port. Alternativt kan dataene indsamles i en tekstfil, redigeres (for at fjerne falske prøver i starten og slutningen af løbet) og derefter indlæses i NanoEdge AI Studio.

Figur 6: Sammenligning af gode/normale data (øverst) og dårlige/unormale data (nederst). Bortset fra forskellene i farve synes disse ikke meget forskellige for det menneskelige øje, men en passende AI/ML-model kan skelne mellem dem. (Billedkilde: Max Maxfield)

De gode data blev indsamlet med vakuumpumpen i normal tilstand. For at indsamle de dårlige data blev pumpens luftfilter blokeret med en papirskive.

Ved hjælp af de gode og dårlige data genererer NanoEdge AI Studio den bedste AI/ML-bibliotekløsning ud af 500 millioner mulige kombinationer. Dens løbende fremskridt vises på en række forskellige måder, herunder et spredningsdiagram, der viser, hvor godt de normale signaler (blå) adskiller sig fra de unormale signaler (rød) med hensyn til en tærskelværdi, der blev sat til 90 % i dette eksempel (figur 7).

Figur 7: NanoEdge AI Studio evaluerer op til 500 millioner forskellige AI/ML-modeller for at bestemme den optimale konfiguration til normale og unormale data. De oprindelige modeller er sjældent vellykkede (øverst), men værktøjet gentager automatisk bedre og bedre løsninger, indtil udvikleren beslutter at kalde et stop (nederst). (Billedkilde: Max Maxfield)

De tidlige modeller har typisk svært ved at skelne mellem de normale og unormale data, men systemet evaluerer forskellige kombinationer af algoritmiske elementer, idet det gentages på stadig mere nøjagtige løsninger. I dette tilfælde blev processen stoppet, efter at 58.252 biblioteker var blevet evalueret. Det resulterende bibliotek (model) var kun 2 Kbytes i størrelse.

Det er vigtigt at bemærke, at modellen på dette tidspunkt er i sin utrænede form. Mange forskellige faktorer kan påvirke måder, hvorpå maskinerne kører. For eksempel kunne to tilsyneladende identiske vakuumpumper monteres forskellige steder - for eksempel den ene på en betonplade og den anden på et ophængt gulv. Eller en af maskinerne kan være placeret i et varmt, fugtigt miljø, mens den anden kan være i en kold, tør indstilling. Desuden kunne den ene forbindes med lange længder af metalrør, mens den anden kunne fastgøres til korte længder af plastrør.

Således er det næste trin at inkorporere biblioteket i applikationerne, der kører på mikrocontrollere og sensorer, der er knyttet til maskiner, der er implementeret i den virkelige verden. AI/ML-modellerne på de forskellige maskiner træner derefter sig selv ved hjælp af gode data fra disse virkelige installationer. Efter denne selvtræningsperiode kan AI/ML-modeller overlades til at overvåge maskinernes helbred, søge afvigelser og tendenser og rapportere deres fund og forudsigelser til menneskelige vejledere.

Konklusion

Forudsigende vedligeholdelse ved hjælp af AI/ML giver ingeniører mulighed for at løse problemer, før der faktisk opstår fejl. Imidlertid skal den hardware, der bruges til at implementere det forudsigelige vedligeholdelsessystem, være så enkel og omkostningseffektiv som muligt. desuden har designere brug for let adgang til den nødvendige software til at udføre analysen.

Som vist, i stedet for at vælge et komplekst multi-akset accelerometer og tilhørende hardware, kan en simpel, billig, lille størrelse, CR3111-3000 split-core strømtransformator forbundet til en billig microcontroller-platform udføre den nødvendige sensing og data indsamling. Sammen med fremskridt inden for AI/ML-værktøjer og algoritmer er det nu muligt for ikke-AI/ML-eksperter at oprette sofistikerede AI/ML-modeller, der kan implementeres i en bred vifte af enkle og komplekse sensingapplikationer.