許多工廠依靠電機來執(zhí)行生產(chǎn)過程。由于結構松動、軸承損壞、角度和線性不對中、腐蝕、共振和負載不平衡等影響，電機很容易出現(xiàn)故障。
其中任何一個都可能導致機器長時間停機。防止此類故障一直是制造企業(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按預定時間間隔調(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。狀態(tài)維護則根據(jù)設備的實際情況調(diào)整維護和維修，提高效率和正常運行時間。
預測性維護 (PdM) 可以帶來進一步的改進。為此，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、高性能邊緣人工智能設備來連續(xù)實時收集和分析關鍵機器數(shù)據(jù)已經(jīng)成為可能（圖1）。
圖1。將振動和 MEMS 溫度傳感器、電源管理、安全元件以及運行機器學習庫的 STM32 MCU 組合在一起，即可監(jiān)控設備并檢測故障，不需要太多空間或電力。
在這種情況下，人工智能提供了多種優(yōu)勢，可以實現(xiàn)實時和分布式數(shù)據(jù)分析，并在潛在問題升級之前識別它們。這種主動方法可以在需要時精確解決問題，從而優(yōu)化整體運營效率，從而最大限度地減少停機時間、降低維護成本并延長機器的使用壽命。
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)經(jīng)過不同的算法處理，可以連續(xù)分析電機在生產(chǎn)過程中的振動狀態(tài)。
預測性維護的主要支柱是狀態(tài)監(jiān)測。狀態(tài)監(jiān)測的經(jīng)典方法是使用數(shù)字 3 軸微機電系統(tǒng) (MEMS) 傳感器，依靠微控制器(MCU) 作為控制單元來驅動電源管理、執(zhí)行數(shù)據(jù)記錄功能，然后使用傳統(tǒng)的時域和頻域分析。
當機器正常運行時，監(jiān)測到的振動與標準分析模型非常一致。為了預測任何可能導致故障的漂移，PdM 實施必須通過將振動數(shù)據(jù)與預定義閾值進行比較來評估設備狀態(tài)。
這種經(jīng)典方法有局限性，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、算法和閾值的靈活性有限。如果資源或工作條件發(fā)生變化，規(guī)則就必須重寫。
就基于人工智能的方法而言，神經(jīng)網(wǎng)絡模型和機器學習算法允許系統(tǒng)不斷地從數(shù)據(jù)中學習并相應地完善其模型。當設備條件發(fā)生變化時，可以提高預測模型的準確性和性能，而無需調(diào)整算法或了解流程規(guī)則。
在本文中，我們提出了基于 STEVAL-PROTEUS1 參考設計套件的系統(tǒng)解決方案，這是一種具有緊湊外形的工業(yè)無線傳感器節(jié)點。該設計套件集成了 MEMS 傳感器、藍牙連接和嵌入式 AI 庫，用于檢測受監(jiān)控設備中的異常情況并對故障進行分類。它通過 USB 電纜將結果發(fā)送到 PC 終端控制臺，或無線發(fā)送到關聯(lián)的移動應用程序 STBLESensor。該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 分類機器學習模型來早期檢測那些通常較晚檢測到的機械漂移。我們的目標是以“數(shù)十毫米級”的精度識別和分類具有增量尺寸的線性不對中插入。
STEVAL -PROTEUS1套件是一款評估工具，專為工業(yè)應用中的溫度和振動監(jiān)測而設計。主板（STEVAL-PROTEUS，圖 3）包括經(jīng)過認證的無線電模塊、用于實現(xiàn)振動監(jiān)控的工業(yè) MEMS 慣性傳感器組合、高精度溫度傳感器、電源管理和保護電路以及用于振動監(jiān)測的 2 Gb 閃存。代碼和數(shù)據(jù)存儲。
該板還提供 STSAFE-A110 安全元件，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。所有組件均專門安裝在 PCB 的頂部，以便于直接連接。
無線模塊 STM32WB5MMG 具有小外形尺寸、超低功耗和 STM32WB55VGY 無線 SoC。該 SoC 包含一個 2.4 GHz 集成 RF 部分，其中包含用于應用處理的 Arm Cortex-M4 內(nèi)核和用于管理無線電層的 Cortex-M0+。 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 板
為了加速應用程序開發(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。利用慣性傳感器的原始數(shù)據(jù)，人工智能算法可以對不平衡或磨損等任何問題提供早期預警。
嵌入式AI是使用NanoEdge AI Studio軟件工具生成的機器學習庫。它從 STEVAL-PROTEUS 板上傳感器的輸出生成的特定數(shù)據(jù)集開始。 NanoEdge AI Studio 軟件提取所需用例（例如異常檢測或分類）的機器學習庫，并將其集成到傳感器節(jié)點上的 MCU 中。
為了允許遠程了解機器狀態(tài)，指示何時檢測到異常，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以及監(jiān)控設備故障狀態(tài)。
通常，傳感器以原始形式提供數(shù)據(jù)，不適合傳統(tǒng)的預測性維護應用。在傳統(tǒng)或基于機器學習的算法開始操作數(shù)據(jù)之前，必須使用過濾、重塑和其他預處理方法。為了優(yōu)化設計預處理和處理鏈，設計人員必須了解信號的特征。
STEVAL-PROTEUS 節(jié)點可以從板載慣性傳感器獲取振動數(shù)據(jù)，并使用STM32WB MCU直接在邊緣處理數(shù)據(jù)。
在狀態(tài)監(jiān)測中，傳感器信號是沿 xyz 軸的加速度樣本的集合。圖 4 顯示了與正常機器條件相對應的振動，以時域和頻域表示。
圖4 .原始和轉換后的傳感器信號。點擊圖片放大
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)產(chǎn)生、處理和發(fā)送結果的邏輯流程。
圖5 .使用 STEVAL-PROTEUS 進行傳感、處理和通信
在此示例中，NanoEdgeAI (NEAI) Studio 生成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)人員無需具備豐富的機器學習或數(shù)據(jù)科學知識即可開始使用。它生成一個預編譯的 C 庫，可集成到 STM32 MCU 中。按照圖 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
此示例的目的是將電機軸不對中分為四個嚴重類別。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)，以生成每個類別的數(shù)據(jù)集。
STEVAL-PROTEUS 板上的 ISM330DHCX 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)，以確保適當?shù)牟蓸宇l率和 xyz 軸上的加速度最大值。
注入的條件定義了數(shù)據(jù)集：
? 無錯位或標稱條件
? 0.20 毫米錯位
? 0.40 毫米錯位
? 0.60 毫米錯位
然后需要創(chuàng)建一個以STEVAL-PROTEUS1為目標的N類分類NEAI項目。然后可以導入四個數(shù)據(jù)集，基準測試根據(jù)多個性能指標和內(nèi)存占用確定最佳模型。
數(shù)據(jù)集包含 423 條線或信號，每個信號包含 128 × 3 個樣本。 （請注意，一個樣本包括與三個軸上測量的加速度相對應的三個值。）循環(huán)緩沖區(qū)的大小根據(jù)信號的大小進行調(diào)整：即每一項有 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)，并在基準測試完成后提供排名。圖 7 顯示了與從排名中選擇的模型相對應的基準圖。
圖 7 .對 NEAI 模型進行基準測試
在此示例中，基準測試需要 23 分鐘。所選的 SEFR（可擴展、高效和快速分類器）模型使用約 3 KB RAM 和 4 KB 閃存。換句話說，NEAI 處理占用了 RAM 的 6.4% 和 STEVAL-PROTEUS 板載閃存的 0.5%。 （注：這些百分比的計算考慮了使用 FUS v1.2.0.0 和 BLE Full stack v1.13.0.5 的用戶應用程序的可用 RAM 和閃存）
NanoEdge AI Studio 提供了多個評估模型性能的性能指標，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的最重要值之一。在多類分類問題中，如果數(shù)據(jù)集每個類包含相同數(shù)量的樣本，則數(shù)據(jù)集是平衡的。
圖 8 .模型性能指標
信號處理鏈包含傳統(tǒng)信號處理功能和 SEFR 多類分類器機器學習算法的組合，用于識別四個級別的錯位（圖 9）。
圖 9 .通過人工智能增強信號處理鏈。點擊圖片放大
接下來，軟件功能包 ( FP-AI-PDMWBSOC ) 有助于加速 MCU (STM32WB) 上的 ML 模型部署。該包專為 STEVAL-PROTEUS1 開發(fā)，將 NEAI 庫集成到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內(nèi)，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)構建器可以獲取來自傳感器任務的少量數(shù)據(jù)并對其進行操作以填充循環(huán)緩沖區(qū)。隨后，當項目準備就緒時，NEAI 線程會處理數(shù)據(jù)。
這使得數(shù)據(jù)能夠通過前面描述的處理鏈。 STEVAL-PROTEUS 節(jié)點通過藍牙連接與智能手機等客戶端設備共享結果（減少到幾個字節(jié)）。
故障分類解決方案可以使用專業(yè)測試平臺（例如ISE 開發(fā)的 OneX 工具）進行驗證。這可以模擬電機最常見的故障，例如軸不對中、負載不平衡、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以及三個軸承。軸承箱允許應用受控不對中，或安裝損壞的軸承以進行分析。
圖 10 .使用 OneX 工具測試設置
我們將 STEVAL-PROTEUS 節(jié)點連接到第二個軸承，如圖 10 所示。電機速度設置為 3000 rpm。然后測試逐漸引入更大的軸承軸不對中，保持其他實驗參數(shù)相同。 PROTEUS 節(jié)點正確識別所有四個類別的錯位，并將結果傳達給智能手機應用程序。
圖 11 .結果如移動應用程序上所示。點擊圖片放大
如圖 11 所示，移動應用程序顯示與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。
使用相同程序生成適當?shù)?ML 庫來應用其他電機故障的進一步測試表明，使用 PROTEUS 節(jié)點進行推理還可以正確識別正常和不平衡負載、機械松動和軸承故障。
通過人工智能 (AIoT) 增強的物聯(lián)網(wǎng)傳感器節(jié)點可支持對工業(yè)設備行為偏差的早期檢測，從而提高預測性維護應用的有效性。
富含傳感器的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)嚴重程度正確識別錯位的幅度。
該傳感器和應用程序可以量化十分之一毫米數(shù)量級的軸不對中，或小于一克的不平衡。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，可以實現(xiàn)工廠內(nèi)外的遠程監(jiān)控。
所有圖片均由意法半導體提供
