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

任何這些都可能導(dǎo)致長時(shí)間的機(jī)器停機(jī)。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?yàn)樗麄儗で笞畲笙薅鹊亟档统杀静⑻岣呱a(chǎn)率。

基于計(jì)劃的維護(hù)策略可以通過在預(yù)定的時(shí)間間隔內(nèi)調(diào)整和更換零件和子系統(tǒng)來實(shí)現(xiàn)這些目標(biāo)。不幸的是，基于計(jì)劃的維護(hù)可能會(huì)導(dǎo)致不必要的維護(hù)。而狀態(tài)維修則是根據(jù)設(shè)備的實(shí)際情況調(diào)整維修方案，提高效率和可靠性。

用于預(yù)測性維護(hù)的傳感器

預(yù)測性維護(hù)（PdM）可以提供進(jìn)一步的改進(jìn)。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(shè)備，可以連續(xù)實(shí)時(shí)收集和分析關(guān)鍵機(jī)器數(shù)據(jù)（圖1）。

圖1

.聯(lián)合收割機(jī)結(jié)合振動(dòng)和MEMS溫度傳感器、電源管理、安全元件和運(yùn)行機(jī)器學(xué)習(xí)庫的STM 32 MCU，無需占用太多空間或功耗，即可監(jiān)控設(shè)備和檢測故障。

在這種情況下，人工智能提供了幾個(gè)優(yōu)勢，可以實(shí)現(xiàn)實(shí)時(shí)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(dòng)的方法可以最大限度地減少停機(jī)時(shí)間，降低維護(hù)成本，并通過在需要時(shí)精確解決問題來延長機(jī)器的使用壽命，從而優(yōu)化整體運(yùn)營效率。

為了監(jiān)控這些機(jī)器，來自運(yùn)動(dòng)傳感器（加速度計(jì)，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(jī)的振動(dòng)狀態(tài)。nbsp;

利用機(jī)器學(xué)習(xí)進(jìn)行預(yù)測性維護(hù)

預(yù)測性維護(hù)的主要支柱是狀態(tài)監(jiān)測。使用數(shù)字3軸微機(jī)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(qū)動(dòng)電源管理，執(zhí)行數(shù)據(jù)記錄功能，然后使用常規(guī)時(shí)域和頻域分析來處理數(shù)據(jù)。

當(dāng)機(jī)器正常運(yùn)行時(shí)，監(jiān)測到的振動(dòng)與標(biāo)準(zhǔn)分析模型密切相關(guān)。為了預(yù)測任何傾向于故障的漂移，PdM實(shí)施必須通過將振動(dòng)數(shù)據(jù)與預(yù)定義的閾值進(jìn)行比較來評估設(shè)備狀態(tài)。

這種經(jīng)典的方法具有局限性，因?yàn)樗枰钊氲南到y(tǒng)機(jī)械和數(shù)學(xué)模型以及編程知識來構(gòu)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(luò)模型和機(jī)器學(xué)習(xí)算法允許系統(tǒng)從數(shù)據(jù)中不斷學(xué)習(xí)，并相應(yīng)地改進(jìn)其模型。當(dāng)設(shè)備條件發(fā)生變化時(shí)，預(yù)測模型的準(zhǔn)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(shè)計(jì)套件

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

圖2

.用于預(yù)測性維護(hù)的設(shè)備監(jiān)控

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

參考設(shè)計(jì)架構(gòu)

STEVAL—PROTEUS1套件是一款專為工業(yè)應(yīng)用中的溫度和振動(dòng)監(jiān)測而設(shè)計(jì)的評估工具。主板（STEVAL—PROTEUS，圖3）包括一個(gè)經(jīng)過認(rèn)證的無線電模塊、用于振動(dòng)監(jiān)測的工業(yè)MEMS慣性傳感器組合、一個(gè)高精度溫度傳感器、電源管理和保護(hù)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(yuǎn)程主機(jī)提供身份驗(yàn)證和安全數(shù)據(jù)管理服務(wù)。所有組件都專門安裝在PCB的頂側(cè)，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(gè)2.4 GHz集成RF部分，其中Arm Cortex-M4內(nèi)核用于應(yīng)用處理，Cortex-M0+用于管理無線電層。M0+可以托管藍(lán)牙低功耗（BLE）5、802.15.4、Zigbee 3.0、Thread或?qū)Ｓ熊浖榷褩！?p>

圖3

. STEVAL-PROTEUS董事會(huì)

為了加快應(yīng)用程序開發(fā)，該套件附帶了一個(gè)用于異常檢測和分類的固件包，可在Cortex-M4上運(yùn)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(gè)由NanoEdge AI Studio軟件工具生成的機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)庫-例如異常檢測或分類-將集成到傳感器節(jié)點(diǎn)上的MCU中。nbsp;

為了遠(yuǎn)程感知機(jī)器狀態(tài)，當(dāng)檢測到異常時(shí)發(fā)出指示，節(jié)點(diǎn)使用藍(lán)牙連接到STBLESensor應(yīng)用程序。該應(yīng)用程序允許用戶設(shè)置傳感器和庫參數(shù)，控制學(xué)習(xí)和檢測模式，并監(jiān)控設(shè)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(yù)測性維護(hù)應(yīng)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(yù)處理方法。為了最佳地設(shè)計(jì)預(yù)處理和處理鏈，設(shè)計(jì)人員必須了解信號的特性。

STEVAL-PROTEUS節(jié)點(diǎn)可以從機(jī)載慣性傳感器獲取振動(dòng)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(shí)域和頻域中表示的與正常機(jī)器條件對應(yīng)的振動(dòng)。

圖4

.原始和轉(zhuǎn)換的傳感器信號。單擊放大圖像

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

圖5

. STEVAL-PROTEUS傳感、處理和通信

在這個(gè)例子中，NanoEdgeAI（NEAI）Studio生成了一個(gè)包含預(yù)處理塊和ML模型的庫。該工具包含自動(dòng)化機(jī)器學(xué)習(xí)軟件，讓嵌入式開發(fā)人員無需廣泛的機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)知識即可開始使用。它可以生成一個(gè)預(yù)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(jī)軸不對準(zhǔn)分為四個(gè)嚴(yán)重性類別。第一步是定義四個(gè)類。然后，您將使用高速數(shù)據(jù)記錄固件獲取加速度計(jì)數(shù)據(jù)，以生成每個(gè)類的數(shù)據(jù)集。

STEVAL-PROTEUS板上的ISM 330 DHCX加速度計(jì)配置為標(biāo)稱輸出數(shù)據(jù)速率為833 Hz，滿量程為2 g。幾個(gè)預(yù)采集周期有助于識別電機(jī)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(zhǔn)或標(biāo)稱條件

0.20 mm錯(cuò)位

0.40 mm錯(cuò)位

0.60 mm錯(cuò)位

然后，您需要?jiǎng)?chuàng)建一個(gè)N類分類NEAI項(xiàng)目，并將STEVAL-PROTEUS 1作為目標(biāo)。然后可以導(dǎo)入這四個(gè)數(shù)據(jù)集，基準(zhǔn)測試可以根據(jù)幾個(gè)性能指標(biāo)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(gè)信號包含128 × 3個(gè)樣本。(Note一個(gè)樣本包括對應(yīng)于在三個(gè)軸上測量的加速度的三個(gè)值）。循環(huán)緩沖區(qū)的大小取決于信號的大?。杭疵總€(gè)項(xiàng)目128 × 3個(gè)樣本。

在基準(zhǔn)測試過程中，NanoEdge AI Studio會(huì)訓(xùn)練、交叉驗(yàn)證和測試候選庫。它為每個(gè)候選人分配一個(gè)分?jǐn)?shù)，并在基準(zhǔn)測試完成時(shí)提供一個(gè)排名。圖7顯示了與從排名中選擇的模型相對應(yīng)的基準(zhǔn)圖。

圖7

. NEAI模型的基準(zhǔn)測試

在這個(gè)例子中，基準(zhǔn)測試需要23分鐘。選擇的SEFR（可擴(kuò)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(jì)算考慮了使用FUS v1.2.0.0和BLE全棧v1.13.0.5的用戶應(yīng)用程序的可用RAM和閃存，）

NanoEdge AI Studio提供了幾個(gè)性能指標(biāo)來評估模型性能，如圖8所示。在這些指標(biāo)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(gè)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(biāo)

信號處理鏈包括傳統(tǒng)信號處理功能和SEFR多類分類器機(jī)器學(xué)習(xí)算法的組合，以識別四個(gè)級別的未對準(zhǔn)（圖9）。

圖9

.用AI增強(qiáng)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M(fèi)CU（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(gè)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(gè)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(gòu)建器可以從傳感器任務(wù)中獲取少量數(shù)據(jù)，并對其進(jìn)行操作以填充循環(huán)緩沖區(qū)。稍后，當(dāng)一個(gè)項(xiàng)目準(zhǔn)備就緒時(shí)，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(diǎn)通過藍(lán)牙連接到客戶端設(shè)備（如智能手機(jī)）共享結(jié)果（減少到幾個(gè)字節(jié)）。

系統(tǒng)設(shè)置和結(jié)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(jìn)行驗(yàn)證。這可以模擬電機(jī)最常見的故障，例如軸不對中、不平衡負(fù)載、結(jié)構(gòu)松動(dòng)和軸承損壞。

測試臺包含一個(gè)電機(jī)和驅(qū)動(dòng)器，帶有機(jī)械聯(lián)軸器和軸，模擬不平衡的配重盤和三個(gè)軸承。軸承箱允許應(yīng)用受控的未對準(zhǔn)或安裝損壞的軸承，以進(jìn)行分析。nbsp;

圖10

.使用OneX工具進(jìn)行測試設(shè)置

如圖10所示，我們將STEVAL-PROTEUS節(jié)點(diǎn)連接到第二個(gè)關(guān)節(jié)面上。馬達(dá)速度設(shè)定為3000 rpm。然后，測試逐漸引入更大的軸承軸不對準(zhǔn)，保持其他實(shí)驗(yàn)參數(shù)相同。PROTEUS節(jié)點(diǎn)在所有四個(gè)類別中正確識別出未對準(zhǔn)，并將結(jié)果傳達(dá)給智能手機(jī)應(yīng)用程序。

圖11

.結(jié)果顯示在移動(dòng)的應(yīng)用程序上。

如圖11所示，移動(dòng)的應(yīng)用程序顯示與所識別的條件相對應(yīng)的數(shù)字。該應(yīng)用程序還負(fù)責(zé)與云共享結(jié)果。

使用相同的程序應(yīng)用其他電機(jī)故障以生成適當(dāng)?shù)腗L庫的進(jìn)一步測試表明，使用PROTEUS節(jié)點(diǎn)進(jìn)行推理也可以正確識別正常和不平衡負(fù)載、機(jī)械松動(dòng)和軸承故障。

設(shè)備故障的早期檢測

通過人工智能（AIoT）增強(qiáng)的物聯(lián)網(wǎng)傳感器節(jié)點(diǎn)通過支持早期檢測工業(yè)設(shè)備行為中的漂移來提高預(yù)測性維護(hù)應(yīng)用的有效性。

傳感器豐富的STEVAL-PROTEUS節(jié)點(diǎn)與使用NanoEdge AI Studio開發(fā)的推理應(yīng)用程序相結(jié)合，可以檢測異常振動(dòng)并根據(jù)嚴(yán)重程度正確識別未對準(zhǔn)的幅度。

該傳感器和應(yīng)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(diǎn)的藍(lán)牙連接通過在系統(tǒng)解決方案中包含藍(lán)牙低功耗網(wǎng)關(guān)，實(shí)現(xiàn)工廠內(nèi)外的遠(yuǎn)程監(jiān)控。