Hanki tehokkaasti tietoja ennakoivaa huoltoa ja tekoälyä varten käyttämällä virta-anturia

Esineiden internet (IoT) on herättänyt valtavaa kiinnostusta käyttää tekoälyä (AI) ja koneoppimisen (ML) tekniikoita koneiden (mukaan lukien moottorit, generaattorit ja pumput) kunnon seuraamiseksi ja huoltoinsinöörien varoittamiseksi mahdollisista ongelmista. . Yksi vaikeus tämän tyyppisen ennakoivan kunnossapidon AI/ML-järjestelmien suunnittelijoille on valita sovelluksen kannalta paras anturi. Toinen asia on, että suhteellisen harvoilla suunnittelijoilla on kokemusta AI/ML-sovellusten kehittämisestä.

Saadakseen AI/ML-järjestelmään toimintakelpoisia tietoja suunnittelijat valitsevat usein sofistikoituneita antureita, kuten kolmi-akseliset kiihtyvyysanturit ja niiden suuritehoiset mikrokontrolleri-kehitysalustat. Monissa tapauksissa on kuitenkin mahdollista saavuttaa haluttu tavoite käyttämällä yksinkertaista virta-anturia ja vaatimattomampaa ja halvempaa mikrokontrolleri-kehitysalustaa.

Tässä artikkelissa esitellään ajatus virtamuuntajan käyttämisestä haluttujen tietojen saamiseksi ja AI/ML-sovellusten toteuttamiseksi yksinkertaisesti ja kustannustehokkaasti. Artikkeli esittelee yksinkertaisen piirin, joka käyttää virta-anturia valvomaan integroidulla suodattimella toimivan alipainepumpun kuntoa ja hälyttämään käyttäjää, kun suodatin tukkeutuu. Tässä käytetään edullista Arduino IoT-mikrokontrolleri-kehitysalustaa ja CR Magneticsin virtamuuntajaa. Lopuksi artikkelissa esitetään vastaavan AI/ML-sovelluksen kehitysprosessi yleisellä tasolla.

Yksinkertaiset anturit AI/ML-tarpeisiin

Saadakseen AI/ML-sovellukselle toimintakelpoisia tietoja suunnittelijat valitsevat usein sofistikoituneita antureita, kuten kolmi-akseliset kiihtyvyysanturit; mutta tämän tyyppiset anturit voivat tuottaa valtavia määriä tietoa, jota on vaikea käsitellä ja ymmärtää. Tämän monimutkaisuuden välttämiseksi on syytä muistaa, että kaikki liittyvät toisiinsa. Aivan kuten yhden kehonosan loukkaantuminen voi aiheuttaa kivun heijastumista ja kipu havaitaan muualla kehossa, moottorin vikaantunut laakeri voi muuttaa moottorin käyttämiseen tarvittavaa virtaa. Samoin tukkoon mennyt ilmanottoaukko voi ylikuumenemisen lisäksi myös muuttaa moottorin käyttämiseen tarvittavaa virtaa.

Näin ollen koneen toiminnan yhden osatekijän seuraaminen voi antaa tietoa sen toiminnan muista puolista. Tämän seurauksena haluttu seuranta- ja mittaustavoite on mahdollista saavuttaa tarkkailemalla siihen liittyvää parametria ja käyttää huomattavasti yksinkertaisempaa anturia, esimerkkinä CR Magneticsin edullinen ja pienikokoinen, CR3111-3000-virtamuuntaja halkaistulla ytimellä (kuva 1).

Kuva 1: CR3111-3000-virtamuuntaja halkaistulla ytimellä tarjoaa edullisen ja helppokäyttöisen virrantunnistimen, jota voidaan käyttää ensisijaisena anturina ennakoivan huollon AI/ML-sovelluksessa. (Kuvalähde: CR Magnetics)

CR3111-3000-virtamuuntajaa voidaan käyttää enintään 100 ampeerin (A) mittauksiin (muita CR31xx-perheen jäseniä voidaan käyttää alhaisemmille ja korkeammille virroille). Kaikki perheenjäsenet tukevat taajuusaluetta 20 hertsiä (Hz) – 1 kilohertsi (kHz), joka kattaa suurimman osan teollisista sovelluksista. Kaikissa CR31xx-laitteissa on myös sarana ja lukitustappi, jonka avulla ne voidaan kiinnittää katkaisematta virtajohtoa.

Arduino Nano 33 IoT

Yksi esimerkki edullisesta mikrokontrolleri-kehitysympäristöstä, joka soveltuu prototyyppien tekemiseen yksinkertaisissa AI/ML-sovelluksissa, on ABX00032 Arduino Nano 33 IoT Arduinolta (kuva 2). Arduino Nano 33 IoT käyttää 32-bittistä Arm® Cortex®-M0 + ATSAMD21G18A -prosessoria, joka toimii 48 megahertsin (MHz) nopeudella, ja joka tarjoaa 256 kilotavua (kt) flash-muistia ja 32 kilotavua SRAM-muistia ja siinä on sekä Wi-Fi- että Bluetooth-yhteys.

Kuva 2: Arduino ABX00032 Nano 33 IoT tarjoaa edullisen alustan, jolla rakentaa AI/ML-sovelluksia olemassa olevien laitteiden parantamiseksi (ja uusien luomiseksi) ja liittämiseksi osaksi IoT:ta. (Kuvalähde: Arduino)

Tiedonkeruupiiri

Tässä keskustelussa käytetty piiri on esitetty alla kuvassa 3. CR3111-3000 muuntaa mitatun koneen käyttövirran huomattavasti pienemmäksi käyttämällä suhdetta 1000:1.

Kuva 3: Piiri, jota käytetään muuntamaan CR3111-3000-virtamuuntajan lähtö muodoksi, jota Arduino Nano 33 IoT voi käyttää (3,3 voltin tulo). (Kuvan lähde: Max Maxfield)

Vastus R3, joka on kytketty CR3111-3000-virtamuuntajan sekundäärisen (lähtö) kelan yli, toimii kuormavastuksena ja tuottaa vastuksen arvoon verrannollinen lähtöjännitteen sen läpi virtaavan virran määrän perusteella.

Vastukset R1 ja R2 toimivat jännitteenjakajana muodostaen ”virtuaalisen maadoituksen”, jonka arvo on 1,65 volttia. Tämän ansiosta CR111-3000-virtamuuntajan arvot voivat heilahdella positiivisina ja negatiivisina osumatta kiskoon, koska mikrokontrolleri ei voi hyväksyä negatiivisia jännitteitä. Kondensaattori C1 on osa RC-kohinasuodatinta, joka vähentää 3,3 voltin syötön ja lähellä olevien demagnetointikenttien aiheuttamaa kohinaa vaikuttamasta mittauksiin. Tämä auttaa jännitteenjakajaa toimimaan parempana maana.

Esittelytestipenkkinä käytettään integroidulla suodattimella varustettua alipainepumppua. Tätä prototyyppiä varten virtalähteen ja alipainepumpun väliin lisättiin Tripp Liten 1 jalan jatkojohto P006-001 (kuva 4).

Kuva 4: 1-jalkainen jatkojohto, jota on muunnettu virta-anturin lisäämistä varten. (Kuvan lähde: Max Maxfield)

Prototyyppi toteutettiin käyttämällä kirjoittajan varaosien aarrearkusta löytyviä komponentteja (kuva 5). Seuraavat ovat vastaavia helposti saatavilla olevia vastineita:

• (1)Adafruitin64-koekytkentäalusta
• (1)Twin IndustriesTW-E012-000. valmiiksi muotoiltu johtosarja käytettäväksi koekytkentäalustojen kanssa
• (1)Stackpole ElectronicsinRNMF14FTC150R 150 ohmin (Ω) ± 1 % 0,25 watin (W) läpiasennettava vastus
• (2) Stackpole Electronicsin 'RNF14FTD10K0 10 kilo-ohmin (kΩ) ± 1 % 0,25 W läpiasennettava vastus
• (1)KEMETESK106M063AC3FA 10 mikrofaradin (µF) 63 voltin alumiinielektrolyyttikondensaattori

Kuva 5: Prototyyppipiiri toteutettiin käyttämällä pientä koekytkentäalustaa ja komponentteja kirjoittajan varaosien aarrearkusta (Kuvan lähde: Max Maxfield)

Virta-anturin johtimien päihin puristettiin 1931 22–28 AWG-puristustapit Pololu Corp.-yritykseltä . Tämän jälkeen nämä tapit työnnettiin 1904 5 x 1 mustaan suorakulmaiseen koteloon 0,1 tuuman (in) (2,54 millimetrin (mm)) jaolla, myös Pololulta.

AI/ML-sovelluksen kehittäminen

AI/ML-sovelluksen kehittämiseksi ilmainen kokeiluversio NanoEdge AI Studiosta ladattiin Cartesiumin verkkosivustolta (katso myös Tuo tekoäly helposti mihin tahansa teollisuusjärjestelmään ”).

Kun NanoEdge AI Studio käynnistetään, käyttäjää pyydetään luomaan uusi projekti ja antamaan sille nimi. Tämän jälkeen käyttäjältä kysytään käytettävä prosessori (Arduino Nano 33 IoT -kortin tapauksessa Arm Cortex-M0 +), käytetyn anturin tyyppi (tässä tapauksessa virta-anturi) ja enimmäismäärä muistia, joka tälle AI/ML-mallille varataan (tähän esittelytapaukseen valittiin 6 kilotavua).

AI/ML-mallin luomiseksi on ensin otettava edustavia näytteitä hyvästä ja huonosta datasta (kuva 6). Arvojen lukemiseen virta-anturista luotiin yksinkertainen Arduino-ohjelma. Nämä tiedot voidaan ladata suoraan NanoEdge AI Studioon ”lennossa” mikrokontrollerin USB-portista. Vaihtoehtoisesti tiedot voidaan kirjoittaa tekstitiedostoon, muokata (poistaa virheelliset näytteet ajon alussa ja lopussa) ja ladata sitten NanoEdge AI Studio -ohjelmaan.

Kuva 6: Hyvän/normaalin datan (ylhäällä) ja huonon/epänormaalin datan (alhaalla) vertailu. Värierojen lisäksi nämä eivät näytä hirvittävän erilaisilta ihmissilmälle, mutta asianmukainen AI/ML-malli voi erottaa ne toisistaan. (Kuvan lähde: Max Maxfield)

Hyvä data kerättiin tyhjiöpumpun käydessä normaalitilassa. Huonon datan keräämiseksi pumpun ilmansuodatin tukittiin paperilevyllä.

Hyvää ja huonoa dataa käyttämällä NanoEdge AI Studio generoi parhaan AI/ML-kirjastoratkaisun 500 miljoonasta mahdollisesta yhdistelmästä. Sen jatkuva edistyminen näytetään monin eri tavoin, mukaan lukien sirontakaavio, joka osoittaa, kuinka hyvin normaalit signaalit (sininen) erotetaan epänormaaleista signaaleista (punainen) verrattuna kynnysarvon, joka asetettiin tässä esimerkissä 90 prosenttiin (kuva 7).

Kuva 7: NanoEdge AI Studio arvioi jopa 500 miljoonaa erilaista AI/ML-mallia optimaalisen konfiguraation määrittämiseksi normaalille ja epänormaalille datalle. Alkuperäiset mallit ovat harvoin onnistuneita (ylhäällä), mutta työkalu iteroi automaattisesti parempia ratkaisuja, kunnes kehittäjä päättää pysäyttää iteroinnin (alhaalla). (Kuvan lähde: Max Maxfield)

Alkupään malleissa on tyypillisesti vaikea erottaa normaalia ja epänormaalia dataa, mutta järjestelmä arvioi algoritmisten elementtien erilaisia yhdistelmiä iteroiden yhä tarkemmilla ratkaisuilla. Tässä tapauksessa prosessi pysäytettiin 58 252 kirjaston arvioinnin jälkeen. Tuloksena olevan kirjaston (malli) koko oli vain 2 kt.

On tärkeää huomata, että tässä vaiheessa malli on kouluttamattomassa muodossa. Monet erilaiset tekijät voivat vaikuttaa koneiden toimintatapoihin. Esimerkiksi kaksi näennäisesti identtistä tyhjiöpumppua voitaisiin asentaa eri paikkoihin, esimerkiksi yksi betonilaatalle ja toinen ripustetulle lattialle. Tai toinen koneista voi sijaita kuumassa ja kosteassa ympäristössä, kun taas toinen saattaa olla kylmässä ja kuivassa ympäristössä. Lisäksi toinen voidaan kytkeä pitkiin metalliputkiin, kun taas toinen voidaan kytketään lyhyisiin muoviputkiin.

Siten seuraava askel on lisätä kirjasto sovelluksiin, jotka toimivat reaalimaailman koneisiin yhdistetyissä mikrokontrollereissa ja antureissa. Eri koneiden AI/ML-mallit kouluttavat sitten itseään käyttämällä hyvää dataa näistä reaalimaailman asennuksista. Tämän itseharjoittelujakson jälkeen AI/ML-mallit voidaan jättää seuraamaan koneiden kuntoa, etsimään poikkeavuuksia ja trendejä sekä raportoimaan havainnoistaan ja ennusteistaan ihmisvalvojille.

Yhteenveto

AI/ML-tekniikkaa käyttävä ennakoiva huolto antaa insinööreille mahdollisuuden puuttua ongelmiin ennen kuin viat tulevat esille. Ennakoivan kunnossapitojärjestelmän toteuttamiseen käytettävän laitteiston on kuitenkin oltava mahdollisimman yksinkertainen ja kustannustehokas; suunnittelijat tarvitsevat myös tarvittavan ohjelmiston käyttöoikeuden analyysin suorittamiseksi.

Kuten artikkelissa on esitetty, monimutkaisen moniakselisen kiihtyvyysmittarin ja siihen liittyvän laitteiston valitsemisen sijaan yksinkertainen, edullinen ja pienikokoinen CR3111-3000-virtamuuntaja halkaistulla ytimellä ja siihen kytketty edullinen mikrokontrollerialusta voivat suorittaa vaaditun tunnistuksen ja tiedonkeruun. Käyttämällä AI/ML-työkalujen ja algoritmien kehitysaskelia myös henkilöt, jotka eivät ole AI/ML-asiantuntijoita, voivat nyt luoda sofistikoituneita AI /ML-malleja, jotka voidaan ottaa käyttöön monissa yksinkertaisissa ja kompleksisissa mittaussovelluksissa.