ใช้เซ็นเซอร์ปัจจุบันเพื่อรับข้อมูลอย่างมีประสิทธิภาพสำหรับการบำรุงรักษาเชิงคาดการณ์ด้วย AI

Internet of Things (IoT) ทำให้เกิดความสนใจอย่างมากในการใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) เพื่อตรวจสอบสุขภาพของเครื่องจักร รวมถึงมอเตอร์ เครื่องกำเนิดไฟฟ้า และปั๊ม และเพื่อแจ้งเตือนวิศวกรซ่อมบำรุงถึงปัญหาที่อาจเกิดขึ้น . ความยากอย่างหนึ่งสำหรับนักออกแบบระบบ AI/ML ที่ต้องการใช้การบำรุงรักษาเชิงคาดการณ์ประเภทนี้คือการเลือกเซ็นเซอร์ที่ดีที่สุดสำหรับแอปพลิเคชัน อีกปัญหาหนึ่งคือนักออกแบบค่อนข้างน้อยมีประสบการณ์ในการสร้างแอปพลิเคชัน AI/ML

เพื่อให้ได้ข้อมูลสำหรับระบบ AI/ML เพื่อดำเนินการ นักออกแบบมักเลือกใช้เซ็นเซอร์ที่ซับซ้อน เช่น มาตรความเร่งแบบสามแกนควบคู่ไปกับแพลตฟอร์มการพัฒนาไมโครคอนโทรลเลอร์กำลังสูง อย่างไรก็ตาม ในหลายกรณี มีความเป็นไปได้ที่จะบรรลุเป้าหมายที่ต้องการโดยใช้เซ็นเซอร์กระแสแบบธรรมดาร่วมกับแพลตฟอร์มการพัฒนาไมโครคอนโทรลเลอร์ที่เจียมเนื้อเจียมตัวและราคาไม่แพง

บทความนี้จะแนะนำแนวคิดในการใช้เครื่องแปลงความรู้สึกปัจจุบันเพื่อให้ได้ข้อมูลที่จำเป็นในการปรับใช้แอปพลิเคชัน AI/ML อย่างเรียบง่ายและคุ้มค่า ใช้ต้นทุนต่ำArduino แพลตฟอร์มการพัฒนาไมโครคอนโทรลเลอร์ IoT และหม้อแปลงความรู้สึกปัจจุบันจากCR Magnetics บทความนี้ยังนำเสนอวงจรง่ายๆ ที่ใช้เซ็นเซอร์ปัจจุบันเพื่อตรวจสอบสุขภาพของปั๊มสุญญากาศด้วยตัวกรองในตัว ซึ่งจะแจ้งเตือนผู้ใช้เมื่อตัวกรองเกิดการอุดตัน สุดท้าย บทความนี้จะนำเสนอภาพรวมของกระบวนการสร้างแอปพลิเคชัน AI/ML ที่เกี่ยวข้อง

เซ็นเซอร์อย่างง่ายสำหรับ AI/ML

เพื่อให้ได้ข้อมูลสำหรับแอปพลิเคชัน AI/ML เพื่อดำเนินการ นักออกแบบมักเลือกใช้เซ็นเซอร์ที่ซับซ้อน เช่น มาตรความเร่งแบบสามแกน แต่เซ็นเซอร์ประเภทนี้สามารถสร้างข้อมูลจำนวนมหาศาลที่ยากต่อการจัดการและทำความเข้าใจ เพื่อหลีกเลี่ยงความซับซ้อนนี้ คุณควรจำไว้ว่าทุกอย่างมีความเกี่ยวข้องสัมพันธ์กัน เช่นเดียวกับการบาดเจ็บที่ส่วนใดส่วนหนึ่งของร่างกายของบุคคลหนึ่งสามารถทำให้เกิดความเจ็บปวดที่อ้างอิงถึงที่อื่นในร่างกาย แบริ่งที่ล้มเหลวในมอเตอร์สามารถปรับเปลี่ยนกระแสที่ใช้ในการขับเคลื่อนมอเตอร์นั้นได้ ในทำนองเดียวกัน นอกจากจะทำให้เกิดความร้อนสูงเกินไปแล้ว ปริมาณอากาศที่ถูกบล็อกยังสามารถปรับเปลี่ยนกระแสที่ใช้ในการขับเคลื่อนมอเตอร์ได้อีกด้วย

ดังนั้น การตรวจสอบด้านหนึ่งของการทำงานของเครื่องจักรอาจทำให้การทำงานในแง่มุมอื่นๆ กระจ่างขึ้น ด้วยเหตุนี้ จึงสามารถบรรลุเป้าหมายการเฝ้าติดตามและการตรวจจับที่ต้องการได้โดยการสังเกตพารามิเตอร์ที่เกี่ยวข้องโดยใช้เซ็นเซอร์ที่ง่ายกว่ามาก เช่น ต้นทุนต่ำ ขนาดเล็กCR3111-3000 หม้อแปลงกระแสไฟฟ้าแบบแยกส่วนจาก CR Magnetics (รูปที่ 1)

รูปที่ 1: หม้อแปลงตรวจจับกระแสไฟฟ้าแบบแยกส่วน CR3111-3000 ให้เครื่องตรวจจับกระแสไฟราคาประหยัดและใช้งานง่าย ซึ่งสามารถใช้เป็นเซ็นเซอร์หลักในแอปพลิเคชันการบำรุงรักษาเชิงคาดการณ์ AI/ML (ที่มาของภาพ: CR Magnetics)

CR3111-3000 สามารถใช้ในการตรวจจับกระแสได้ถึง 100 แอมแปร์ (A) (สมาชิกอื่นๆ ของตระกูล CR31xx สามารถใช้สำหรับค่าปัจจุบันที่น้อยกว่าหรือมากกว่า) สมาชิกทุกคนในครอบครัวรองรับช่วงความถี่ 20 เฮิรตซ์ (Hz) ถึง 1 กิโลเฮิรตซ์ (kHz) ซึ่งครอบคลุมการใช้งานในอุตสาหกรรมส่วนใหญ่ นอกจากนี้ อุปกรณ์ CR31xx ทั้งหมดยังใช้บานพับและสแน็ปล็อคที่ช่วยให้สามารถติดตั้งได้โดยไม่รบกวนสายไฟที่ใช้อยู่ในปัจจุบัน

Arduino Nano 33 IoT

ตัวอย่างหนึ่งของแพลตฟอร์มการพัฒนาไมโครคอนโทรลเลอร์ราคาประหยัดที่เหมาะสำหรับการสร้างต้นแบบแอปพลิเคชัน AI/ML อย่างง่ายคือABX00032 Arduino Nano 33 IoT จาก Arduino (รูปที่ 2) เนื้อเรื่องอาร์ม® Cortex®-M0+ 32-บิตATSAMD21G18A โปรเซสเซอร์ทำงานที่ 48 เมกะเฮิรตซ์ (MHz) พร้อมหน่วยความจำแฟลช 256 กิโลไบต์ (Kbytes) และ SRAM 32 Kbytes Arduino Nano 33 IoT ยังมาพร้อมกับการเชื่อมต่อ Wi-Fi และ Bluetooth

รูปที่ 2: Arduino ABX00032 Nano 33 IoT เป็นแพลตฟอร์มต้นทุนต่ำสำหรับสร้างแอปพลิเคชัน AI/ML เพื่อปรับปรุงอุปกรณ์ที่มีอยู่ (และสร้างอุปกรณ์ใหม่) เพื่อเป็นส่วนหนึ่งของ IoT (ที่มาของภาพ: Arduino)

วงจรบันทึกข้อมูล

วงจรที่ใช้สำหรับการอภิปรายนี้แสดงไว้ด้านล่างในรูปที่ 3 CR3111-3000 จะแปลงกระแสไฟฟ้าที่วัดได้ซึ่งขับเครื่องจักรให้มีขนาดเล็กลงมากโดยใช้อัตราส่วน 1000:1

รูปที่ 3: วงจรที่ใช้ในการแปลงเอาต์พุตจาก CR3111-3000 ให้อยู่ในรูปแบบที่ Arduino Nano 33 IoT สามารถใช้กับอินพุต 3.3 โวลต์ได้ (แหล่งรูปภาพ: Max Maxfield)

ตัวต้านทาน R3 ซึ่งเชื่อมต่อผ่านขดลวดทุติยภูมิ (เอาต์พุต) ของ CR3111-3000 ทำหน้าที่เป็นตัวต้านทานภาระ โดยสร้างแรงดันเอาต์พุตตามสัดส่วนกับค่าตัวต้านทาน โดยขึ้นอยู่กับปริมาณของกระแสที่ไหลผ่าน

ตัวต้านทาน R1 และ R2 ทำหน้าที่เป็นตัวแบ่งแรงดันไฟฟ้าสร้าง "กราวด์เสมือน" ที่มีค่า 1.65 โวลต์ ซึ่งช่วยให้ค่าจาก CR111-3000 แกว่งได้ทั้งค่าบวกและค่าลบ และยังไม่ตกราง เนื่องจากไมโครคอนโทรลเลอร์ไม่สามารถรับแรงดันไฟฟ้าเชิงลบได้ Capacitor C1 เป็นส่วนหนึ่งของตัวกรองสัญญาณรบกวน RC ที่ลดเสียงรบกวนจากแหล่งจ่าย 3.3 โวลต์และสนามเร่ร่อนในบริเวณใกล้เคียงไม่ให้เข้าสู่การวัด ซึ่งช่วยให้ตัวแบ่งแรงดันไฟฟ้าทำหน้าที่เป็นกราวด์ที่ดีขึ้น

ปั๊มสุญญากาศพร้อมตัวกรองในตัวถูกใช้เพื่อจัดเตรียมม้านั่งทดสอบการสาธิต สำหรับวัตถุประสงค์ของต้นแบบนี้Tripp Lite'sP006-001 เสียบสายไฟต่อขยาย 1 ฟุต (ฟุต) ระหว่างแหล่งจ่ายไฟและปั๊มสุญญากาศ (รูปที่ 4)

รูปที่ 4: สายไฟต่อขยาย 1 ฟุตที่ปรับเปลี่ยนให้ยอมรับเซ็นเซอร์ปัจจุบัน (แหล่งรูปภาพ: Max Maxfield)

วงจรต้นแบบถูกใช้งานโดยใช้ส่วนประกอบจากหีบสมบัติของชิ้นส่วนอะไหล่ของผู้เขียน (ภาพที่ 5) เทียบเท่าที่พร้อมใช้งานจะเป็นดังนี้:

• (1)อดาฟรุต64 เขียงหั่นขนม
• (1)Twin IndustriesTW-E012-000 ชุดลวดสำเร็จรูปสำหรับใช้กับเขียงหั่นขนม
• (1)Stackpole ElectronicsRNMF14FTC150R 150 โอห์ม (Ω) ±1% 0.25 วัตต์ (W) ตัวต้านทานผ่านรู
• (2) สแต็คโพล อิเล็กทรอนิคส์'RNF14FTD10K0 10 กิโลโอห์ม (kΩ) ±1% 0.25 W ตัวต้านทานผ่านรู
• (1)KEMETESK106M063AC3FA 10 ไมโครฟารัด (µF) ตัวเก็บประจุอลูมิเนียมอิเล็กโทรไลต์ 63 โวลต์

รูปที่ 5: วงจรต้นแบบถูกนำมาใช้โดยใช้เขียงหั่นขนมขนาดเล็กและส่วนประกอบจากหีบสมบัติของชิ้นส่วนอะไหล่ (แหล่งรูปภาพ: Max Maxfield)

เกี่ยวกับลีดจากเซ็นเซอร์ปัจจุบันพ.ศ. 2474 หมุดย้ำ 22-28 AWG จากPololu คอร์ป ถูกจีบที่ปลาย หมุดเหล่านี้ถูกเสียบเข้าไปใน a . ในเวลาต่อมา1904 ตัวเรือนสี่เหลี่ยมสีดำขนาด 5 x 1 ที่มี 0.1 นิ้ว (นิ้ว) ระยะพิทช์ (2.54 มม. (มม.)) จาก Pololu ด้วย

การสร้างแอปพลิเคชัน AI/ML

เพื่อสร้างแอปพลิเคชัน AI/ML เวอร์ชันทดลองใช้งานฟรีของNanoEdge AI Studio เข้าถึงได้จากเว็บไซต์ของคาร์ทีเซียม (ดูเพิ่มเติมที่ “นำปัญญาประดิษฐ์มาสู่ระบบอุตสาหกรรมใดๆ ได้อย่างง่ายดาย ”).

เมื่อเปิดตัว NanoEdge AI Studio ผู้ใช้จะได้รับเชิญให้สร้างและตั้งชื่อโครงการใหม่ จากนั้นผู้ใช้จะถูกสอบถามเกี่ยวกับโปรเซสเซอร์ที่ใช้ (Arm Cortex-M0+ ในกรณีของบอร์ดพัฒนา Arduino Nano 33 IoT) ประเภทของเซ็นเซอร์ที่ใช้ (เซ็นเซอร์ปัจจุบันในกรณีนี้) และ จำนวนหน่วยความจำสูงสุดที่จะใช้กับโมเดล AI/ML นี้ (เลือก 6 Kbytes สำหรับการสาธิตนี้)

ในการสร้างแบบจำลอง AI/ML อันดับแรก จำเป็นต้องเก็บตัวอย่างตัวแทนของข้อมูลที่ดีและไม่ดี (ภาพที่ 6) ร่าง Arduino อย่างง่าย (โปรแกรม) ถูกสร้างขึ้นเพื่ออ่านค่าจากเซ็นเซอร์ปัจจุบัน ข้อมูลนี้สามารถโหลดได้โดยตรงจาก NanoEdge AI Studio "ทันที" จากพอร์ต USB ของไมโครคอนโทรลเลอร์ อีกทางหนึ่ง ข้อมูลสามารถบันทึกลงในไฟล์ข้อความ แก้ไข (เพื่อลบตัวอย่างปลอมในตอนเริ่มต้นและสิ้นสุดการทำงาน) แล้วโหลดลงใน NanoEdge AI Studio

รูปที่ 6: เปรียบเทียบข้อมูลดี/ปกติ (บน) และข้อมูลไม่ดี/ผิดปกติ (ล่าง) นอกเหนือจากความแตกต่างของสีแล้ว สิ่งเหล่านี้ไม่ได้ดูแตกต่างอย่างมากกับสายตามนุษย์มากนัก แต่โมเดล AI/ML ที่เหมาะสมสามารถแยกแยะความแตกต่างระหว่างพวกเขาได้ (แหล่งรูปภาพ: Max Maxfield)

ข้อมูลที่ดีถูกเก็บรวบรวมโดยปั๊มสุญญากาศทำงานในโหมดปกติ เพื่อรวบรวมข้อมูลที่ไม่ดี ตัวกรองอากาศของปั๊มถูกกีดขวางด้วยแผ่นกระดาษ

ด้วยการใช้ข้อมูลที่ดีและไม่ดี NanoEdge AI Studio จะสร้างโซลูชันไลบรารี AI/ML ที่ดีที่สุดจากชุดค่าผสมที่เป็นไปได้กว่า 500 ล้านชุด ความคืบหน้าอย่างต่อเนื่องของมันถูกแสดงในรูปแบบต่างๆ รวมถึงแผนภูมิกระจายที่แสดงให้เห็นว่าสัญญาณปกติ (สีน้ำเงิน) แตกต่างจากสัญญาณผิดปกติ (สีแดง) ได้ดีเพียงใดโดยคำนึงถึงค่าเกณฑ์ซึ่งกำหนดไว้ที่ 90% ตัวอย่าง (รูปที่ 7)

รูปที่ 7: NanoEdge AI Studio ประเมินโมเดล AI/ML ที่แตกต่างกันมากถึง 500 ล้านโมเดล เพื่อกำหนดการกำหนดค่าที่เหมาะสมที่สุดสำหรับข้อมูลปกติและผิดปกติ โมเดลเริ่มต้นไม่ค่อยประสบความสำเร็จ (บนสุด) แต่เครื่องมือจะทำงานซ้ำโดยอัตโนมัติในการแก้ปัญหาที่ดีขึ้นและดีขึ้น จนกว่านักพัฒนาซอฟต์แวร์จะตัดสินใจหยุด (ล่าง) (แหล่งรูปภาพ: Max Maxfield)

โมเดลแรกๆ มักพบว่าเป็นการยากที่จะแยกแยะระหว่างข้อมูลปกติกับข้อมูลที่ผิดปกติ แต่ระบบจะประเมินองค์ประกอบอัลกอริธึมต่างๆ ในกรณีนี้ กระบวนการถูกระงับหลังจากมีการประเมินห้องสมุด 58,252 แห่ง ไลบรารีผลลัพธ์ (รุ่น) มีขนาดเพียง 2 Kbytes

สิ่งสำคัญคือต้องสังเกตว่า ในขั้นตอนนี้ โมเดลอยู่ในรูปแบบที่ไม่ได้รับการฝึกฝน ปัจจัยต่างๆ มากมายอาจส่งผลต่อวิธีการทำงานของเครื่อง ตัวอย่างเช่น ปั๊มสุญญากาศที่ดูเหมือนเหมือนกันสองตัวสามารถติดตั้งในตำแหน่งที่แตกต่างกัน—ตัวอย่างเช่น ตัวหนึ่งอยู่บนพื้นคอนกรีตและอีกตัวหนึ่งอยู่บนพื้นแบบแขวน หรือเครื่องใดเครื่องหนึ่งอาจอยู่ในสภาพแวดล้อมที่ร้อนและชื้น ในขณะที่อีกเครื่องหนึ่งอาจอยู่ในที่แห้งและเย็น นอกจากนี้ ตัวหนึ่งสามารถเชื่อมต่อกับท่อโลหะที่มีความยาว ในขณะที่อีกตัวหนึ่งสามารถเชื่อมต่อกับท่อพลาสติกที่มีความยาวสั้นได้

ดังนั้น ขั้นตอนต่อไปคือการรวมไลบรารีเข้ากับแอปพลิเคชันที่ทำงานบนไมโครคอนโทรลเลอร์และเซ็นเซอร์ที่ต่ออยู่กับเครื่องที่ติดตั้งในโลกแห่งความเป็นจริง โมเดล AI/ML บนเครื่องต่างๆ จะฝึกฝนตนเองโดยใช้ข้อมูลที่ดีจากการติดตั้งจริงเหล่านี้ หลังจากช่วงการฝึกอบรมด้วยตนเองนี้ แบบจำลอง AI/ML สามารถปล่อยให้ติดตามสุขภาพของเครื่องจักร มองหาความผิดปกติและแนวโน้ม และรายงานสิ่งที่ค้นพบและการคาดการณ์ต่อหัวหน้างานที่เป็นมนุษย์

สรุป

การบำรุงรักษาเชิงคาดการณ์โดยใช้ AI/ML ช่วยให้วิศวกรสามารถแก้ไขปัญหาได้ก่อนที่จะเกิดความล้มเหลวขึ้นจริง อย่างไรก็ตาม ฮาร์ดแวร์ที่ใช้ในการติดตั้งระบบบำรุงรักษาเชิงคาดการณ์จะต้องเรียบง่ายและคุ้มค่าที่สุด นอกจากนี้ นักออกแบบยังต้องการเข้าถึงซอฟต์แวร์ที่จำเป็นเพื่อทำการวิเคราะห์

ดังที่แสดง แทนที่จะเลือกใช้ตัวตรวจวัดความเร่งแบบหลายแกนที่ซับซ้อนและฮาร์ดแวร์ที่เกี่ยวข้อง หม้อแปลงกระแสไฟฟ้าแบบแยกส่วน CR3111-3000 แบบเรียบง่ายราคาประหยัดขนาดเล็กที่เชื่อมต่อกับแพลตฟอร์มไมโครคอนโทรลเลอร์ราคาประหยัดสามารถดำเนินการตรวจจับที่ต้องการและ การรวบรวมข้อมูล. ร่วมกับความก้าวหน้าในเครื่องมือ AI/ML และอัลกอริธึม ผู้เชี่ยวชาญที่ไม่ใช่ AI/ML สามารถสร้างแบบจำลอง AI/ML ที่ซับซ้อน ซึ่งสามารถปรับใช้ในแอปพลิเคชันการตรวจจับที่เรียบง่ายและซับซ้อนได้หลากหลาย