Bruk en gjeldende sensor for å skaffe data effektivt til forebyggende vedlikehold med AI

Internet of Things (IoT) har skapt enorm interesse for å bruke kunstig intelligens (AI) og maskinlæringsteknologi (ML-teknologi) for å overvåke tilstandenen til maskiner, slik som motorer, generatorer og pumper, samt til å varsle vedlikeholdsteknikere om eventuelle problemer som truer. En vanskelig ting for designere av AI/ML-systemer som ønsker å implementere denne typen forebyggende vedlikehold, er å velge den beste sensoren for utrustningen. Et annet problem er at relativt få designere har noen erfaring med å lage AI/ML-utrustninger.

For å skaffe data som AI/ML-systemet kan håndtere, velger designere ofte sofistikerte sensorer som treaksede akselerometre kombinert med kraftige utviklingsplattformer for mikrokontroller. I mange tilfeller er det imidlertid mulig å oppnå ønsket mål ved hjelp av en enkel strømsensor (strømføler) i forbindelse med en mer beskjeden og billigere utviklingsplattform for mikrokontrollere.

Denne artikkelen introduserer ideen om å bruke en strømfølende transformator for enkelt og kostnadseffektivt skaffe dataene som kreves implementere AI/ML-utrustninger. Artikkelen presenterer også en enkel krets som bruker den nåværende sensoren til å overvåke tilstanden til en vakuumpumpe med et integrert filter, for så å advare brukeren når filteret har blitt tett ved hjelp av en en lavpris IoT-utviklingsplattform basert på IoT-mikrokontrolleren Arduino og en strømfølende transformator fra CR Magnetics. Til slutt presenterer artikkelen en oversikt over prosessen med å lage den tilknyttede AI/ML-utrustningen.

Enkle sensorer for AI/ML

For å skaffe seg data for en AI/ML-utrustning å jobbe med, velger designere ofte sofistikerte sensorer som treaksede akselerometre, men denne sensortypen kan generere store mengder data som er vanskelige å bearbeide og forstå. For å unngå denne kompleksiteten er det verdt å huske at alt er sammenhengende. Akkurat som en skade på en del av en persons kropp kan forårsake henvist smerte som oppfattes andre steder i kroppen, kan et sviktende lager i en motor endre strømmen som brukes til å drive motoren. På samme måte, i tillegg til å forårsake overoppheting, kan et blokkert luftinntak også endre strømmen som brukes til å drive motoren.

Følgelig kan overvåking av ett aspekt av en maskins drift kaste lys over andre aspekter av maskinens arbeid. Som et resultat er det mulig å oppnå ønsket mål for overvåking og avlesing ved å observere en relatert parameter ved hjelp av en vesentlig enklere, lavpris sensor i liten strømfølende transformator CR3111-3000 med delt kjerne (split-core) fra CR Magnetics (figur 1).

Figur 1: Den strømfølende transformatoren CR3111-3000 med delt kjerne (split-core) gir en lavpris, brukervennlig strømdetektor som kan brukes som den primære sensoren i en AI/ML-utrustningen for forebyggende vedlikehold. (Bildekilde: CR Magnetics)

CR3111-3000 kan brukes til å detektere strøm opptil 100 ampere (A) (andre medlemmer av CR31xx-familien kan brukes til mindre eller større strømverdier). Alle familiemedlemmer støtter et frekvensområde fra 20 hertz (Hz) til 1 kilohertz (kHz), som dekker de fleste industrielle utrustninger. I tillegg bruker alle CR31xx-enheter et hengsel og trykklås som gjør at de kan festes uten å koble fra den strømførende ledningen.

Arduino Nano 33 IoT

fEt eksempel på en lavpris utviklingsplattform for mikrokontroller som er egnet for prototyping av enkle AI/ML-utrustninger erABX00032 Arduino Nano 33 IoT fra Arduino (figur 2). Arduino Nano 33 IoT har en Arm® Cortex®-M0+ 32-bits ATSAMD21G18A-prosessor som kjører på 48 megahertz (MHz) med 256 kilobyte (Kbyte) flashminne og 32 Kbyte SRAM, den er også utstyrt med både Wi-Fi- og Bluetooth-tilkobling.

Figur 2: Arduino ABX00032 Nano 33 IoT gir en lavpris plattform for å bygge AI/ML-utrustninger til å forbedre eksisterende enheter (og opprette nye) for å være en del av IoT. (Bildekilde: Arduino)

Datafangstkrets

Kretsen som brukes i forbindelse med dette formålet, vises nedenfor i figur 3. CR3111-3000 transformerer den målte strømmen som driver maskinen til en mye mindre, ved hjelp av et 1000:1-forhold.

Figur 3: Kretsen som brukes til å konvertere utgangen fra CR3111-3000 til en form som kan brukes av Arduino Nano 33 IoT med sine 3,3 volts innganger. (Bildekilde: Max Maxfield)

Motstand R3, som er koblet over CR3111-3000 sin sekundære (utgangs)spole, fungerer som en lastmotstand som produserer en utgangsspenning proporsjonal med motstandsverdien, basert på mengden strøm som går gjennom den.

Motstandene R1 og R2 fungerer som en spenningsdeler og danner en «virtuell jord» med en verdi på 1,65 volt. Dette gjør at verdiene fra CR111-3000 kan svinge mellom positivt og negativt og likevel ikke treffe en skinne, siden mikrokontrolleren ikke kan akseptere negative spenninger. Kondensator C1 utgjør en del av et RC-støyfilter som reduserer støy fra 3,3 volts forsyningen og nærliggende spredefelt fra å komme inn i målingene, og hjelper dermed spenningsdeleren til å fungere som en bedre jord.

En vakuumpumpe med integrert filter ble brukt for å gi en demonstrasjonstestbenk. I denne prototypen ble Tripp Lite 30 cm (1 fots) forlengelsesledning P006-001 satt inn mellom strømforsyningen og vakuumpumpen (figur 4).

Figur 4: 1-fots forlengelsesledningen som ble modifisert for å akseptere strømsensoren. (Bildekilde: Max Maxfield)

Prototypekretsen ble implementert ved hjelp av komponenter fra forfatterens skattkiste av reservedeler (figur 5). Letttilgjengelige ekvivalenter vil være som følger:

• (1) Adafruit 64 prototypekort
• (1) Twin Industries TW-E012-000 forhåndsformet ledningssett til bruk med prototypekort
• (1) Stackpole Electronics RNMF14FTC150R 150 ohms (Ω) gjennomhullsmotstand ±1% 0,25 watt (W)
• (2) Stackpole Electronics sin RNF14FTD10K0 10 kiloohms (kΩ) gjennomhullsmotstand ±1% 0,25 W
• (1) KEMET ESK106M063AC3FA 10 microfarads (µF), 63 volts aluminium-elektrolytkondensator

Figur 5: Prototypekretsen ble implementert ved hjelp av komponenter fra forfatterens skattkiste med reservedeler (Bildekilde: Max Maxfield)

Når det gjelder ledningene fra strømsensoren, ble krympestiftene 1931 for 0,08–0,34 mm² (22–28 AWG) fra Pololu Corp. ble klemt på endene. Disse stiftene ble etterhvert satt inn i et 5 x 1 svart rektangulært hus fra 1904 med en 2,54 mm (0,1 tommers) pinneavstand, også fra Pololu.

Lage AI/ML-utrustningen

For å lage AI/ML-utrustningen, er en gratis prøveversjon avNanoEdge AI Studio åpnet tilgjengelig fra Cartesiums nettsted (se også, «Få kunstig intelligens enkelt inn i ethvert industrisystem»).

Når NanoEdge AI Studio lanseres, inviteres brukeren til å opprette og navngi et nytt prosjekt. Brukeren blir deretter spurt om prosessoren som benyttes (en Arm Cortex-M0 + i tilfelle av Arduino Nano 33 IoT-utviklingskortet), typen(e) sensoren(er) som benyttes (en strømsensor i dette tilfellet), og maksimal mengde minne som skal vies til denne AI/ML-modellen (6 kbyte ble valgt for denne demonstrasjonen).

For å lage AI/ML-modellen er det først nødvendig å fange representative eksempler på gode og dårlige data (figur 6). En enkel Arduino-skisse (program) ble opprettet for å lese verdier fra strømsensoren. Disse dataene kan lastes direkte inn i NanoEdge AI Studio, kjapt fra mikrokontrollerens USB-port. Alternativt kan dataene tas inn i en tekstfil, redigeres (for å fjerne falske prøver i begynnelsen og slutten av kjøringen), og deretter lastes inn i NanoEdge AI Studio.

Figur 6: Sammenligning av gode/normale data (topp) og dårlige/unormale data (bunn). Bortsett fra forskjellene i farge, virker disse ikke veldig forskjellige for det menneskelige øye, men en passende AI/ML-modell kan skille mellom dem. (Bildekilde: Max Maxfield)

De gode dataene ble samlet inn med vakuumpumpen i normal modus. For å samle inn de dårlige dataene ble pumpens luftfilter blokkert med en papirskive.

Ved å bruke gode og dårlige data genererer NanoEdge AI Studio den beste AI/ML-bibliotekløsningen av 500 millioner mulige kombinasjoner. Dens pågående fremgang vises på en rekke forskjellige måter, inkludert et spredningdiagram som viser hvor godt de normale signalene (blå) skilles fra de unormale signalene (røde) med hensyn til en terskelverdi, som ble satt til 90 % i dette eksemplet (figur 7).

Figur 7: NanoEdge AI Studio evaluerer opptil 500 millioner forskjellige AI/ML-modeller for å fastlegge den optimale konfigurasjonen for normale og unormale data. De innledende modellene er sjelden vellykkede (topp), men verktøyet gjentar seg automatisk på bedre og bedre løsninger inntil utvikleren bestemmer seg for å stanse (bunn). (Bildekilde: Max Maxfield)

De tidlige modellene finner det vanligvis vanskelig å skille mellom normale og unormale data, men systemet evaluerer forskjellige kombinasjoner av algoritmiske elementer, gjentatte ganger på stadig mer nøyaktige løsninger. I dette tilfellet ble prosessen stanset etter at 58 252 biblioteker var blitt evaluert. Det resulterende biblioteket (modellen) var bare 2 Kbyte stort.

Det er viktig å merke seg at modellen på dette stadiet er i sin utrente form. Mange forskjellige faktorer kan påvirke måtene maskinene kjører på. For eksempel kan to tilsynelatende identiske vakuumpumper monteres på forskjellige steder – for eksempel på en betongplate og den andre på et opphengt gulv. Eller en av maskinene kan være plassert i et varmt, fuktig miljø, mens den andre kan være i et kaldt, tørt miljø. Videre kan den ene kobles til lange lengder av metallrør, mens den andre kan kobles til korte lengder av plastrør.

Dermed er neste trinn å innlemme biblioteket i utrustningene som kjører på mikrokontrollere og sensorer som er koblet til maskiner som er distribuert i den virkelige verden. AI/ML-modellene på de forskjellige maskinene vil da trene seg selv ved å bruke gode data fra disse virkelige installasjonene. Etter denne selvopplæringsperioden kan AI/ML-modellene overlates til å overvåke maskinens tilstanden, se etter avvik og trender, og rapportere funn og spådommer til menneskelige veiledere.

Konklusjon

Forebyggende vedlikehold ved bruk av AI/ML gjør at teknikere kan løse problemer før feil faktisk oppstår. Maskinvaren som brukes til å implementere det forebyggende vedlikehold må imidlertid være så enkel og kostnadseffektiv som mulig, designere trenger også enkel tilgang til den nødvendige programvaren for å utføre analysen.

Som vist, i stedet for å velge et komplekst akselerometer med flere akser og tilhørende maskinvare, kan en enkel, lavpris, liten strømfølende transformator CR3111-3000 med delt kjerne (split-core) koblet til en lavpris mikrokontrollerplattform utføre nødvendig avlesing og datainnsamling. Sammen med fremskritt innen AI/ML-verktøy og algoritmer, er det nå mulig for ikke-AI/ML-eksperter å lage sofistikerte AI/ML-modeller som kan distribueres i et bredt spekter av enkle og komplekse avlesingsutrustninger.