全国客服 400-869-8582
您的位置: 首页 > 新闻资讯 > 如何使用基于人工智能的振动传感器节点进行故障分类

如何使用基于人工智能的振动传感器节点进行故障分类

文章出处:新闻资讯 责任编辑:深圳市广陵达科技有限公司 发表时间:2023-12-28 20:44:50

      许多工厂依靠电机来执行生产过程。由于结构松动、轴承损坏、角度和线性不对中、腐蚀、共振和负载不平衡等影响,电机很容易出现故障。


      其中任何一个都可能导致机器长时间停机。防止此类故障一直是制造企业面临的长期挑战,因为他们寻求最大限度地降低成本并提高生产率。


      基于计划的维护策略可以通过按预定时间间隔调整和更换零件和子系统来实现这些目标。不幸的是,基于计划的维护可能会导致不必要的维护。状态维护则根据设备的实际情况调整维护和维修,提高效率和正常运行时间。


      用于预测性维护的传感器

      预测性维护 (PdM) 可以带来进一步的改进。为此,使用最新的高精度惯性传感器和具有短距离或长距离无线连接的低功耗、高性能边缘人工智能设备来连续实时收集和分析关键机器数据已经成为可能(图1)。

将振动和 MEMS 温度传感器、电源管理、安全元件以及运行机器学习库的 STM32 MCU 组合在一起

图1。将振动和 MEMS 温度传感器、电源管理、安全元件以及运行机器学习库的 STM32 MCU 组合在一起,即可监控设备并检测故障,不需要太多空间或电力。


      在这种情况下,人工智能提供了多种优势,可以实现实时和分布式数据分析,并在潜在问题升级之前识别它们。这种主动方法可以在需要时精确解决问题,从而优化整体运营效率,从而最大限度地减少停机时间、降低维护成本并延长机器的使用寿命。


      为了监控这些机器,来自运动传感器(加速度计、陀螺仪)的数据经过不同的算法处理,可以连续分析电机在生产过程中的振动状态。 


      通过机器学习进行预测性维护

      预测性维护的主要支柱是状态监测。状态监测的经典方法是使用数字 3 轴微机电系统 (MEMS) 传感器,依靠微控制器(MCU) 作为控制单元来驱动电源管理、执行数据记录功能,然后使用传统的时域和频域分析。


      当机器正常运行时,监测到的振动与标准分析模型非常一致。为了预测任何可能导致故障的漂移,PdM 实施必须通过将振动数据与预定义阈值进行比较来评估设备状态。


      这种经典方法有局限性,因为它需要深入的系统机械和数学模型以及编程知识来构建算法和规则。此外,分析模型、算法和阈值的灵活性有限。如果资源或工作条件发生变化,规则就必须重写。


      就基于人工智能的方法而言,神经网络模型和机器学习算法允许系统不断地从数据中学习并相应地完善其模型。当设备条件发生变化时,可以提高预测模型的准确性和性能,而无需调整算法或了解流程规则。


      参考设计套件

      在本文中,我们提出了基于 STEVAL-PROTEUS1 参考设计套件的系统解决方案,这是一种具有紧凑外形的工业无线传感器节点。该设计套件集成了 MEMS 传感器、蓝牙连接和嵌入式 AI 库,用于检测受监控设备中的异常情况并对故障进行分类。它通过 USB 电缆将结果发送到 PC 终端控制台,或无线发送到关联的移动应用程序 STBLESensor。该应用程序以图形方式显示结果并与云共享数据(图 2)。

图2 .用于预测性维护的设备监控

图2 .用于预测性维护的设备监控


      挑战在于使用 n 分类机器学习模型来早期检测那些通常较晚检测到的机械漂移。我们的目标是以“数十毫米级”的精度识别和分类具有增量尺寸的线性不对中插入。


      参考设计架构 

      STEVAL -PROTEUS1套件是一款评估工具,专为工业应用中的温度和振动监测而设计。主板(STEVAL-PROTEUS,图 3)包括经过认证的无线电模块、用于实现振动监控的工业 MEMS 惯性传感器组合、高精度温度传感器、电源管理和保护电路以及用于振动监测的 2 Gb 闪存。代码和数据存储。


      该板还提供 STSAFE-A110 安全元件,为本地或远程主机提供身份验证和安全数据管理服务。所有组件均专门安装在 PCB 的顶部,以便于直接连接。


      无线模块 STM32WB5MMG 具有小外形尺寸、超低功耗和 STM32WB55VGY 无线 SoC。该 SoC 包含一个 2.4 GHz 集成 RF 部分,其中包含用于应用处理的 Arm Cortex-M4 内核和用于管理无线电层的 Cortex-M0+。 M0+ 可以托管蓝牙低功耗 (BLE) 5、802.15.4、Zigbee 3.0、Thread 或专有软件等堆栈。

图3 . STEVAL-PROTEUS 板

图3 . STEVAL-PROTEUS 板


       为了加速应用程序开发,该套件附带了一个用于异常检测和分类的固件包,可在 Cortex-M4 上运行。利用惯性传感器的原始数据,人工智能算法可以对不平衡或磨损等任何问题提供早期预警。 


      嵌入式AI是使用NanoEdge AI Studio软件工具生成的机器学习库。它从 STEVAL-PROTEUS 板上传感器的输出生成的特定数据集开始。 NanoEdge AI Studio 软件提取所需用例(例如异常检测或分类)的机器学习库,并将其集成到传感器节点上的 MCU 中。  


      为了允许远程了解机器状态,指示何时检测到异常,节点使用蓝牙连接到 STBLESensor 应用程序。该应用程序允许用户设置传感器和库参数、控制学习和检测模式以及监控设备故障状态。


      信号处理和 ML 模型生成

      通常,传感器以原始形式提供数据,不适合传统的预测性维护应用。在传统或基于机器学习的算法开始操作数据之前,必须使用过滤、重塑和其他预处理方法。为了优化设计预处理和处理链,设计人员必须了解信号的特征。


      STEVAL-PROTEUS 节点可以从板载惯性传感器获取振动数据,并使用STM32WB MCU直接在边缘处理数据。 


      在状态监测中,传感器信号是沿 xyz 轴的加速度样本的集合。图 4 显示了与正常机器条件相对应的振动,以时域和频域表示。

图4 .原始和转换后的传感器信号。点击图片放大

图4 .原始和转换后的传感器信号。点击图片放大


      样本存储在应用程序固件中实现的循环数据缓冲区中。图 5 总结了数据产生、处理和发送结果的逻辑流程。

图5 .使用 STEVAL-PROTEUS 进行传感、处理和通信

图5 .使用 STEVAL-PROTEUS 进行传感、处理和通信


      在此示例中,NanoEdgeAI (NEAI) Studio 生成一个包含预处理块和 ML 模型的库。该工具包含自动化机器学习软件,让嵌入式开发人员无需具备丰富的机器学习或数据科学知识即可开始使用。它生成一个预编译的 C 库,可集成到 STM32 MCU 中。按照图 6 所示的工作流程,用户可以使用 NanoEdge AI Studio 获得可靠的库。

图6 . NanoEdge AI Studio 工作流程

图6 . NanoEdge AI Studio 工作流程


      此示例的目的是将电机轴不对中分为四个严重类别。第一步是定义四个类。然后,您将使用高速数据记录固件获取加速度计数据,以生成每个类别的数据集。


      STEVAL-PROTEUS 板上的 ISM330DHCX 加速度计配置为标称输出数据速率为 833 Hz,满量程为 2 g。几个预采集周期有助于识别电机速度的这些参数,以确保适当的采样频率和 xyz 轴上的加速度最大值。 


      注入的条件定义了数据集:

      • 无错位或标称条件

      • 0.20 毫米错位 

      • 0.40 毫米错位 

      • 0.60 毫米错位


      然后需要创建一个以STEVAL-PROTEUS1为目标的N类分类NEAI项目。然后可以导入四个数据集,基准测试根据多个性能指标和内存占用确定最佳模型。 


      数据集包含 423 条线或信号,每个信号包含 128 × 3 个样本。 (请注意,一个样本包括与三个轴上测量的加速度相对应的三个值。)循环缓冲区的大小根据信号的大小进行调整:即每一项有 128 × 3 个样本。


      在基准测试过程中,NanoEdge AI Studio 会训练、交叉验证和测试候选库。它为每个候选人分配一个分数,并在基准测试完成后提供排名。图 7 显示了与从排名中选择的模型相对应的基准图。

图 7 .对 NEAI 模型进行基准测试

图 7 .对 NEAI 模型进行基准测试


      在此示例中,基准测试需要 23 分钟。所选的 SEFR(可扩展、高效和快速分类器)模型使用约 3 KB RAM 和 4 KB 闪存。换句话说,NEAI 处理占用了 RAM 的 6.4% 和 STEVAL-PROTEUS 板载闪存的 0.5%。 (注:这些百分比的计算考虑了使用 FUS v1.2.0.0 和 BLE Full stack v1.13.0.5 的用户应用程序的可用 RAM 和闪存)


      NanoEdge AI Studio 提供了多个评估模型性能的性能指标,如图 8 所示。在这些指标中,平衡精度是数据集平衡的多类分类问题的最重要值之一。在多类分类问题中,如果数据集每个类包含相同数量的样本,则数据集是平衡的。

图 8 .模型性能指标

图 8 .模型性能指标


      信号处理链包含传统信号处理功能和 SEFR 多类分类器机器学习算法的组合,用于识别四个级别的错位(图 9)。

图 9 .通过人工智能增强信号处理链。点击图片放大

图 9 .通过人工智能增强信号处理链。点击图片放大


      接下来,软件功能包 ( FP-AI-PDMWBSOC ) 有助于加速 MCU (STM32WB) 上的 ML 模型部署。该包专为 STEVAL-PROTEUS1 开发,将 NEAI 库集成到适合管理不同类型传感器和连接的环境中。


      在传感器管理器模块内,多个传感器线程处理传感器初始化、配置和数据生成。数据构建器可以获取来自传感器任务的少量数据并对其进行操作以填充循环缓冲区。随后,当项目准备就绪时,NEAI 线程会处理数据。


      这使得数据能够通过前面描述的处理链。 STEVAL-PROTEUS 节点通过蓝牙连接与智能手机等客户端设备共享结果(减少到几个字节)。


      系统设置和结果

      故障分类解决方案可以使用专业测试平台(例如ISE 开发的 OneX 工具)进行验证。这可以模拟电机最常见的故障,例如轴不对中、负载不平衡、结构松动和轴承损坏。


      测试台包含一个电机和驱动器,带有机械联轴器和轴、模拟不平衡的配重盘以及三个轴承。轴承箱允许应用受控不对中,或安装损坏的轴承以进行分析。 

图 10 .使用 OneX 工具测试设置

图 10 .使用 OneX 工具测试设置


      我们将 STEVAL-PROTEUS 节点连接到第二个轴承,如图 10 所示。电机速度设置为 3000 rpm。然后测试逐渐引入更大的轴承轴不对中,保持其他实验参数相同。 PROTEUS 节点正确识别所有四个类别的错位,并将结果传达给智能手机应用程序。

图 11 .结果如移动应用程序上所示。点击图片放大

图 11 .结果如移动应用程序上所示。点击图片放大


      如图 11 所示,移动应用程序显示与识别的条件相对应的数字。该应用程序还负责与云共享结果。


      使用相同程序生成适当的 ML 库来应用其他电机故障的进一步测试表明,使用 PROTEUS 节点进行推理还可以正确识别正常和不平衡负载、机械松动和轴承故障。


      及早发现设备不当行为

通过人工智能 (AIoT) 增强的物联网传感器节点可支持对工业设备行为偏差的早期检测,从而提高预测性维护应用的有效性。


      富含传感器的STEVAL-PROTEUS节点与使用 NanoEdge AI Studio 开发的推理应用程序相结合,可以检测异常振动并根据严重程度正确识别错位的幅度。


      该传感器和应用程序可以量化十分之一毫米数量级的轴不对中,或小于一克的不平衡。此外,该节点的蓝牙连接通过在系统解决方案中包含蓝牙低功耗网关,可以实现工厂内外的远程监控。


      所有图片均由意法半导体提供


咨询

电话

微信

Processed in 0.160750 Second , 38 querys.