Använd en strömsensor för att effektivt registrera data för förebyggande underhåll med AI

Internet of Things (IoT) har väckt ett enormt intresse för att använda artificiell intelligens (AI) och maskininlärning (ML) för att övervaka hälsotillståndet hos maskiner som motorer, generatorer och pumpar, och för att varna underhållstekniker om eventuella hotande problem. En svårighet för konstruktörer av AI/ML-system som vill implementera denna typ av prediktivt underhåll är att välja den bästa sensorn för tillämpningen. En annan fråga är att relativt få konstruktörer har erfarenhet av att skapa AI/ML-applikationer.

För att få informationen för AI/ML-systemet att kunna agera efter, väljer konstruktörer ofta sofistikerade sensorer som treaxliga accelerometrar tillsammans med kraftfulla microcontrollerbaserade utvecklingsplattformar. I många fall är det dock möjligt att uppnå det önskade målet med en enkel strömsensor i kombination med en mer blygsam och billigare microcontrollerbaserad utvecklingsplattform.

Denna artikel introducerar idén att använda en strömavkännande transformator för att erhålla den data som krävs för att enkelt och kostnadseffektivt implementera AI/ML-tillämpningar. Artikeln presenterar också en enkel krets som använder strömsensorn för att övervaka hälsan hos en vakuumpump med ett inbyggt filter och varnar användaren när filtret har täppts till med hjälp av en billig utvecklingsplattform baserad på microcontrollern Arduino IoT och en strömavkännande transformator frånCR Magnetics Till slut ger artikeln en översikt över processen för att skapa den tillhörandee AI/ML-applikationen.

Enkla sensorer för AI/ML

För att hämta in data som en AI/ML-applikation kan agera på väljer konstruktörer ofta sofistikerade sensorer som treaxliga accelerometrar. Men denna typ av sensorer kan generera stora mängder data som är svåra att bearbeta och förstå. För att undvika denna komplexitet är det värt att komma ihåg att allt är inbördes relaterat. Precis som en skada på en del av en persons kropp kan orsaka sekundär smärta som uppfattas någon annanstans i kroppen, kan ett sviktande lager i en motor förändra strömmen som går till att driva motorn. På samma sätt kan ett blockerat luftintag, förutom att orsaka överhettning också ändra strömmen som går till att driva motorn.

Följaktligen kan övervakning av en aspekt av en maskins funktion kasta ljus på andra aspekter av dess funktion. Som en följd därav är det möjligt att uppnå önskade övervaknings- och avkänningsresultat genom att observera en relaterad parameter med hjälp av en väsentligt enklare sensor, såsom den billiga, lilla strömavkänningstransformatorn CR3111-3000 split-core från CR Magnetics (Figur 1).

Figur 1: strömavkänningstransformatorn CR3111-3000 split-core ger en billig, lättanvänd strömdetektor som kan användas som den primära sensorn i en AI/ML-applikation för prediktivt underhåll. (Bildkälla: CR Magnetics)

CR3111-3000 kan användas för att detektera ström upp till 100 A (andra medlemmar i familjen CR31xx kan användas för lägre eller högre strömvärden). Alla familjemedlemmar stödjer ett frekvensområde på 20 Hz till 1 kHz, som täcker majoriteten av alla industritillämpningar. Dessutom använder alla CR31xx-anordningar ett gångjärn och snäplås som gör att de kan fästas utan att strömledningen bryts.

Arduino Nano 33 IoT

Ett exempel på en billig microcontrollerbaserad utvecklingsplattform som är lämplig för att bygga prototyper av enkla AI/ML-tillämpningar ärABX00032 Arduino Nano 33 IoT från Arduino (Figur 2). Arduino Nano 33 IoT har förutom enArm® Cortex®-M0+ 32-bitarsATSAMD21G18A-processor på 48 MHz med 256 Kbyte Flashminne och 32 Kbyte SRAM, också både Wi-Fi- och Bluetooth-anslutning.

Figur 2: Arduino ABX00032 Nano 33 IoT ger en billig plattform för att bygga AI/ML-tillämpningar som kan förbättra befintliga anläggningar eller bygga nya, och som kan bli en del av IoT. (Bildkälla: Arduino)

Dataregistreringskrets

Kretsen som används i samband med denna artikel visas nedan i figur 3. CR3111-3000 omvandlar den uppmätta strömmen som driver maskinen till en mycket mindre med ett förhållande 1000:1.

Figur 3: Kretsen som används för att omvandla utgången från CR3111-3000 till en form som kan användas av Arduino Nano 33 IoT och dess 3,3 V ingångar. (Bildkälla: Max Maxfield)

Motståndet R3, som är anslutet över den sekundära (utgångs)spolen tll CR3111-3000, fungerar som ett lastmotstånd och producerar en utspänning som är proportionell mot resistansvärdet, baserat på strömmen som går genom den.

Motstånden R1 och R2 fungerar som spänningsdelare och bildar en "virtuell jord" med ett värde på 1,65 volt. Detta gör att värdena från CR111-3000 kan svänga mellan positivt och negativt och ändå inte träffa en matningsnivå, eftersom microcontrollern inte kan acceptera negativa spänningar. Kondensatorn C1 utgör en del av ett RC-brusfilter som minskar brus från 3,3 V strömförsörjningen och närliggande magnetfält från att komma in i mätningarna, vilket gör att spänningsdelaren fungerar som en bättre jord.

En vakuumpump med ett integrerat filter användes för att fungera som demonstrationstestbänk. I denna prototyp användes Tripp Lites förlängningssladd P006-001 på 30 cm mellan strömförsörjningen och vakuumpumpen (Figur 4).

Figur 4: Förlängningssladden på 30 cm som modifierats för att kunna rymma strömsensorn. (Bildkälla: Max Maxfield)

Prototypkretsen har byggts ihop med hjälp av komponenter från författarens skattkista med reservdelar (Figur 5). Följande är lättillgängliga motsvarigheter:

• (1)Adafruit64 kopplingsdäck
• (1)Twin IndustriesTW-E012-000-sats med förformade ledningar för användning med kopplingsdäck
• (1)Stackpole ElectronicsRNMF14FTC150R 150 ohm ±1 %, 0,25 watt hålmonterade motstånd
• (2) Stackpole ElectronicsRNF14FTD10K0 10 kiloohm ±1 %, 0,25 W hålmonterade motstånd
• (1)KEMETESK106M063AC3FA 10 µF, 63 V elektrolytkondensator i aluminium

Figur 5: Prototypkretsen har byggts ihop med ett litet kopplingsdäck och komponenter från författarens skattkista med reservdelar. (Bildkälla: Max Maxfield)

När det gäller ledningarna från strömsensorn, har presstift på 22-28 AWG (art.nr. 1931) frånPololu Corp. krimpats i ändarna. Dessa stift har sedan förts in i en svart rektangulär kontakthylsa (art. nr. 1904) för 5x1 ledare med 0,1 tum (2,54 millimeter) ledaravstånd, också från Pololu.

Skapa AI/ML-tillämpningen

För att bygga AI/ML-applikationen, finns en gratis testversion avNanoEdge AI Studio på Cartesiums webbplats (se även Introducera artificiell intelligens på enkelt sätt i valfritt industrisystem).

När NanoEdge AI Studio startas upp, uppmanas användaren att skapa och namnge ett nytt projekt. Användaren frågas sedan om processorn som används (en Arm Cortex-M0+ i fallet med Arduino Nano 33 IoT-utvecklingskortet), vilken typ av sensor som används (en strömsensor i detta fall) och maximal mängd minne som ska reserveras för denna AI/ML-modell (6 Kbyte valdes för denna demonstration).

För att skapa AI/ML-modellen är det först nödvändigt att registrera representativa samplingar på bra och dålig data (Figur 6). En enkel Arduino-sketch (program) har byggts för att läsa av värden från strömsensorn. Dessa data kan laddas in direkt i NanoEdge AI Studio "on-the-fly" från microcontrollerns USB-port. Alternativt kan data samlas in i en textfil, redigeras (för att ta bort falska samples i början och slutet av körningen) och sedan laddas in i NanoEdge AI Studio.

Figur 6: Jämförelse av god/normal data (överst) och dålig/onormal data (botten). Bortsett från skillnaderna i färg verkar dessa inte så olika för det mänskliga ögat, men en lämplig AI/ML-modell kan skilja mellan dem. (Bildkälla: Max Maxfield)

Den goda datan samlades in när vakuumpumpen var i sitt normala läge. För att samla in dålig data hindrades pumpens luftfilter med en pappersskiva.

Med bra och dålig data genererar NanoEdge AI Studio den bästa AI/ML-bibliotekslösningen av 500 miljoner möjliga kombinationer. Dess gradvisa framsteg visas på en mängd olika sätt, inklusive ett spridningsdiagram som visar hur väl de normala signalerna (blå) skiljer sig från de onormala signalerna (röda) med avseende på ett tröskelvärde, som sattes till 90 % i detta exempel (Figur 7).

Figur 7: NanoEdge AI Studio utvärderar upp till 500 miljoner olika AI/ML-modeller för att fastställa den optimala konfigurationen för normal och onormal data. De ursprungliga modellerna är sällan framgångsrika (överst), men verktyget itererar automatiskt på bättre och bättre lösningar tills utvecklaren bestämmer sig för att sluta (nederst). (Bildkälla: Max Maxfield)

De tidiga modellerna har vanligtvis svårt att skilja mellan den normala och onormala informationen, men systemet utvärderar olika kombinationer av algoritmiska element, och itererar på allt mer exakta lösningar. I det här fallet stoppades processen efter att 58 252 bibliotek hade utvärderats. Det resulterande biblioteket (modellen) var bara 2 kbyte i storlek.

Det är viktigt att notera att modellen i detta skede är i sin otränade form. Många olika faktorer kan påverka hur maskinerna körs. Till exempel kan två till synes identiska vakuumpumpar monteras på olika platser - den ena exempelvis på en betongplatta och den andra på ett golv med svikt. Eller en av maskinerna kan placeras i en varm, fuktig miljö, medan den andra kanske står i en kall, torr miljö. Den ena kan vidare vara ansluten till långa metallrör, medan den andra kan vara fäst till korta plaströr.

Således är nästa steg att integrera biblioteket i applikationerna som körs på microcontrollern och sensorer som är anslutna till maskiner som finns installerade i verkliga världen. AI/ML-modellerna på de olika maskinerna kommer sedan att träna upp sig med hjälp av bra data från dessa verkliga installationer. Efter denna självutbildningsperiod kan AI/ML-modellerna lämnas att självständigt övervaka maskiners hälsa, leta efter avvikelser och trender och rapportera resultat och förutsägelser till mänskliga handledare.

Slutsats

Förutsägbart underhåll med AI/ML gör det möjligt för ingenjörer att ta itu med problem innan fel faktiskt inträffar. Dock måste hårdvaran som används för att implementera systemet för prediktivt underhåll vara så enkel och kostnadseffektivt som möjligt. Konstruktörer behöver också enkel tillgång till den programvara som krävs för att utföra analysen.

Istället för att välja en komplex fleraxlig accelerometer och tillhörande hårdvara, kan en enkel, billig, liten strömtransformator - t.ex. CR3111-3000 med split-core -ansluten till en billig microcontrollerplattform, utföra den nödvändiga avkänningen och datainsamlingen. I kombination med framstegen inom AI/ML-verktyg och -algoritmer, är det nu möjligt för andra än AI/ML-experter att skapa sofistikerade AI/ML-modeller som kan distribueras i ett stort antal enkla och komplexa avkänningstillämpningar.