許多工廠依靠電機(jī)來(lái)執(zhí)行生產(chǎn)過(guò)程。由于結(jié)構(gòu)松動(dòng)、軸承損壞、角度和線性不對(duì)中、腐蝕、共振和負(fù)載不平衡等影響，電機(jī)很容易出現(xiàn)故障。
其中任何一個(gè)都可能導(dǎo)致機(jī)器長(zhǎng)時(shí)間停機(jī)。防止此類故障一直是制造企業(yè)面臨的長(zhǎng)期挑戰(zhàn)，因?yàn)樗麄儗で笞畲笙薅鹊亟档统杀静⑻岣呱a(chǎn)率。
基于計(jì)劃的維護(hù)策略可以通過(guò)按預(yù)定時(shí)間間隔調(diào)整和更換零件和子系統(tǒng)來(lái)實(shí)現(xiàn)這些目標(biāo)。不幸的是，基于計(jì)劃的維護(hù)可能會(huì)導(dǎo)致不必要的維護(hù)。狀態(tài)維護(hù)則根據(jù)設(shè)備的實(shí)際情況調(diào)整維護(hù)和維修，提高效率和正常運(yùn)行時(shí)間。
預(yù)測(cè)性維護(hù) (PdM) 可以帶來(lái)進(jìn)一步的改進(jìn)。為此，使用最新的高精度慣性傳感器和具有短距離或長(zhǎng)距離無(wú)線連接的低功耗、高性能邊緣人工智能設(shè)備來(lái)連續(xù)實(shí)時(shí)收集和分析關(guān)鍵機(jī)器數(shù)據(jù)已經(jīng)成為可能（圖1）。
圖1。將振動(dòng)和 MEMS 溫度傳感器、電源管理、安全元件以及運(yùn)行機(jī)器學(xué)習(xí)庫(kù)的 STM32 MCU 組合在一起，即可監(jiān)控設(shè)備并檢測(cè)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(shì)，可以實(shí)現(xiàn)實(shí)時(shí)和分布式數(shù)據(jù)分析，并在潛在問(wèn)題升級(jí)之前識(shí)別它們。這種主動(dòng)方法可以在需要時(shí)精確解決問(wèn)題，從而優(yōu)化整體運(yùn)營(yíng)效率，從而最大限度地減少停機(jī)時(shí)間、降低維護(hù)成本并延長(zhǎng)機(jī)器的使用壽命。
為了監(jiān)控這些機(jī)器，來(lái)自運(yùn)動(dòng)傳感器（加速度計(jì)、陀螺儀）的數(shù)據(jù)經(jīng)過(guò)不同的算法處理，可以連續(xù)分析電機(jī)在生產(chǎn)過(guò)程中的振動(dòng)狀態(tài)。
預(yù)測(cè)性維護(hù)的主要支柱是狀態(tài)監(jiān)測(cè)。狀態(tài)監(jiān)測(cè)的經(jīng)典方法是使用數(shù)字 3 軸微機(jī)電系統(tǒng) (MEMS) 傳感器，依靠微控制器(MCU) 作為控制單元來(lái)驅(qū)動(dòng)電源管理、執(zhí)行數(shù)據(jù)記錄功能，然后使用傳統(tǒng)的時(shí)域和頻域分析。
當(dāng)機(jī)器正常運(yùn)行時(shí)，監(jiān)測(cè)到的振動(dòng)與標(biāo)準(zhǔn)分析模型非常一致。為了預(yù)測(cè)任何可能導(dǎo)致故障的漂移，PdM 實(shí)施必須通過(guò)將振動(dòng)數(shù)據(jù)與預(yù)定義閾值進(jìn)行比較來(lái)評(píng)估設(shè)備狀態(tài)。
這種經(jīng)典方法有局限性，因?yàn)樗枰钊氲南到y(tǒng)機(jī)械和數(shù)學(xué)模型以及編程知識(shí)來(lái)構(gòu)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(xiě)。
就基于人工智能的方法而言，神經(jīng)網(wǎng)絡(luò)模型和機(jī)器學(xué)習(xí)算法允許系統(tǒng)不斷地從數(shù)據(jù)中學(xué)習(xí)并相應(yīng)地完善其模型。當(dāng)設(shè)備條件發(fā)生變化時(shí)，可以提高預(yù)測(cè)模型的準(zhǔn)確性和性能，而無(wú)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(shè)計(jì)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(wú)線傳感器節(jié)點(diǎn)。該設(shè)計(jì)套件集成了 MEMS 傳感器、藍(lán)牙連接和嵌入式 AI 庫(kù)，用于檢測(cè)受監(jiān)控設(shè)備中的異常情況并對(duì)故障進(jìn)行分類。它通過(guò) USB 電纜將結(jié)果發(fā)送到 PC 終端控制臺(tái)，或無(wú)線發(fā)送到關(guān)聯(lián)的移動(dòng)應(yīng)用程序 STBLESensor。該應(yīng)用程序以圖形方式顯示結(jié)果并與云共享數(shù)據(jù)（圖 2）。
圖2 .用于預(yù)測(cè)性維護(hù)的設(shè)備監(jiān)控
挑戰(zhàn)在于使用 n 分類機(jī)器學(xué)習(xí)模型來(lái)早期檢測(cè)那些通常較晚檢測(cè)到的機(jī)械漂移。我們的目標(biāo)是以“數(shù)十毫米級(jí)”的精度識(shí)別和分類具有增量尺寸的線性不對(duì)中插入。
STEVAL -PROTEUS1套件是一款評(píng)估工具，專為工業(yè)應(yīng)用中的溫度和振動(dòng)監(jiān)測(cè)而設(shè)計(jì)。主板（STEVAL-PROTEUS，圖 3）包括經(jīng)過(guò)認(rèn)證的無(wú)線電模塊、用于實(shí)現(xiàn)振動(dòng)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(hù)電路以及用于振動(dòng)監(jiān)測(cè)的 2 Gb 閃存。代碼和數(shù)據(jù)存儲(chǔ)。
該板還提供 STSAFE-A110 安全元件，為本地或遠(yuǎn)程主機(jī)提供身份驗(yàn)證和安全數(shù)據(jù)管理服務(wù)。所有組件均專門(mén)安裝在 PCB 的頂部，以便于直接連接。
無(wú)線模塊 STM32WB5MMG 具有小外形尺寸、超低功耗和 STM32WB55VGY 無(wú)線 SoC。該 SoC 包含一個(gè) 2.4 GHz 集成 RF 部分，其中包含用于應(yīng)用處理的 Arm Cortex-M4 內(nèi)核和用于管理無(wú)線電層的 Cortex-M0+。 M0+ 可以托管藍(lán)牙低功耗 (BLE) 5、802.15.4、Zigbee 3.0、Thread 或?qū)Ｓ熊浖榷褩！?/p>
圖3 . STEVAL-PROTEUS 板
為了加速應(yīng)用程序開(kāi)發(fā)，該套件附帶了一個(gè)用于異常檢測(cè)和分類的固件包，可在 Cortex-M4 上運(yùn)行。利用慣性傳感器的原始數(shù)據(jù)，人工智能算法可以對(duì)不平衡或磨損等任何問(wèn)題提供早期預(yù)警。
嵌入式AI是使用NanoEdge AI Studio軟件工具生成的機(jī)器學(xué)習(xí)庫(kù)。它從 STEVAL-PROTEUS 板上傳感器的輸出生成的特定數(shù)據(jù)集開(kāi)始。 NanoEdge AI Studio 軟件提取所需用例（例如異常檢測(cè)或分類）的機(jī)器學(xué)習(xí)庫(kù)，并將其集成到傳感器節(jié)點(diǎn)上的 MCU 中。
為了允許遠(yuǎn)程了解機(jī)器狀態(tài)，指示何時(shí)檢測(cè)到異常，節(jié)點(diǎn)使用藍(lán)牙連接到 STBLESensor 應(yīng)用程序。該應(yīng)用程序允許用戶設(shè)置傳感器和庫(kù)參數(shù)、控制學(xué)習(xí)和檢測(cè)模式以及監(jiān)控設(shè)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(yù)測(cè)性維護(hù)應(yīng)用。在傳統(tǒng)或基于機(jī)器學(xué)習(xí)的算法開(kāi)始操作數(shù)據(jù)之前，必須使用過(guò)濾、重塑和其他預(yù)處理方法。為了優(yōu)化設(shè)計(jì)預(yù)處理和處理鏈，設(shè)計(jì)人員必須了解信號(hào)的特征。
STEVAL-PROTEUS 節(jié)點(diǎn)可以從板載慣性傳感器獲取振動(dòng)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(cè)中，傳感器信號(hào)是沿 xyz 軸的加速度樣本的集合。圖 4 顯示了與正常機(jī)器條件相對(duì)應(yīng)的振動(dòng)，以時(shí)域和頻域表示。
圖4 .原始和轉(zhuǎn)換后的傳感器信號(hào)。點(diǎn)擊圖片放大
樣本存儲(chǔ)在應(yīng)用程序固件中實(shí)現(xiàn)的循環(huán)數(shù)據(jù)緩沖區(qū)中。圖 5 總結(jié)了數(shù)據(jù)產(chǎn)生、處理和發(fā)送結(jié)果的邏輯流程。
圖5 .使用 STEVAL-PROTEUS 進(jìn)行傳感、處理和通信
在此示例中，NanoEdgeAI (NEAI) Studio 生成一個(gè)包含預(yù)處理塊和 ML 模型的庫(kù)。該工具包含自動(dòng)化機(jī)器學(xué)習(xí)軟件，讓嵌入式開(kāi)發(fā)人員無(wú)需具備豐富的機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)知識(shí)即可開(kāi)始使用。它生成一個(gè)預(yù)編譯的 C 庫(kù)，可集成到 STM32 MCU 中。按照?qǐng)D 6 所示的工作流程，用戶可以使用 NanoEdge AI Studio 獲得可靠的庫(kù)。
圖6 . NanoEdge AI Studio 工作流程
此示例的目的是將電機(jī)軸不對(duì)中分為四個(gè)嚴(yán)重類別。第一步是定義四個(gè)類。然后，您將使用高速數(shù)據(jù)記錄固件獲取加速度計(jì)數(shù)據(jù)，以生成每個(gè)類別的數(shù)據(jù)集。
STEVAL-PROTEUS 板上的 ISM330DHCX 加速度計(jì)配置為標(biāo)稱輸出數(shù)據(jù)速率為 833 Hz，滿量程為 2 g。幾個(gè)預(yù)采集周期有助于識(shí)別電機(jī)速度的這些參數(shù)，以確保適當(dāng)?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(wú)錯(cuò)位或標(biāo)稱條件
? 0.20 毫米錯(cuò)位
? 0.40 毫米錯(cuò)位
? 0.60 毫米錯(cuò)位
然后需要?jiǎng)?chuàng)建一個(gè)以STEVAL-PROTEUS1為目標(biāo)的N類分類NEAI項(xiàng)目。然后可以導(dǎo)入四個(gè)數(shù)據(jù)集，基準(zhǔn)測(cè)試根據(jù)多個(gè)性能指標(biāo)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(hào)，每個(gè)信號(hào)包含 128 × 3 個(gè)樣本。 （請(qǐng)注意，一個(gè)樣本包括與三個(gè)軸上測(cè)量的加速度相對(duì)應(yīng)的三個(gè)值。）循環(huán)緩沖區(qū)的大小根據(jù)信號(hào)的大小進(jìn)行調(diào)整：即每一項(xiàng)有 128 × 3 個(gè)樣本。
在基準(zhǔn)測(cè)試過(guò)程中，NanoEdge AI Studio 會(huì)訓(xùn)練、交叉驗(yàn)證和測(cè)試候選庫(kù)。它為每個(gè)候選人分配一個(gè)分?jǐn)?shù)，并在基準(zhǔn)測(cè)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(duì)應(yīng)的基準(zhǔn)圖。
圖 7 .對(duì) NEAI 模型進(jìn)行基準(zhǔn)測(cè)試
在此示例中，基準(zhǔn)測(cè)試需要 23 分鐘。所選的 SEFR（可擴(kuò)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(shuō)，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(jì)算考慮了使用 FUS v1.2.0.0 和 BLE Full stack v1.13.0.5 的用戶應(yīng)用程序的可用 RAM 和閃存）
NanoEdge AI Studio 提供了多個(gè)評(píng)估模型性能的性能指標(biāo)，如圖 8 所示。在這些指標(biāo)中，平衡精度是數(shù)據(jù)集平衡的多類分類問(wèn)題的最重要值之一。在多類分類問(wèn)題中，如果數(shù)據(jù)集每個(gè)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(biāo)
信號(hào)處理鏈包含傳統(tǒng)信號(hào)處理功能和 SEFR 多類分類器機(jī)器學(xué)習(xí)算法的組合，用于識(shí)別四個(gè)級(jí)別的錯(cuò)位（圖 9）。
圖 9 .通過(guò)人工智能增強(qiáng)信號(hào)處理鏈。點(diǎn)擊圖片放大
接下來(lái)，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(kāi)發(fā)，將 NEAI 庫(kù)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(gè)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(gòu)建器可以獲取來(lái)自傳感器任務(wù)的少量數(shù)據(jù)并對(duì)其進(jìn)行操作以填充循環(huán)緩沖區(qū)。隨后，當(dāng)項(xiàng)目準(zhǔn)備就緒時(shí)，NEAI 線程會(huì)處理數(shù)據(jù)。
這使得數(shù)據(jù)能夠通過(guò)前面描述的處理鏈。 STEVAL-PROTEUS 節(jié)點(diǎn)通過(guò)藍(lán)牙連接與智能手機(jī)等客戶端設(shè)備共享結(jié)果（減少到幾個(gè)字節(jié)）。
故障分類解決方案可以使用專業(yè)測(cè)試平臺(tái)（例如ISE 開(kāi)發(fā)的 OneX 工具）進(jìn)行驗(yàn)證。這可以模擬電機(jī)最常見(jiàn)的故障，例如軸不對(duì)中、負(fù)載不平衡、結(jié)構(gòu)松動(dòng)和軸承損壞。
測(cè)試臺(tái)包含一個(gè)電機(jī)和驅(qū)動(dòng)器，帶有機(jī)械聯(lián)軸器和軸、模擬不平衡的配重盤(pán)以及三個(gè)軸承。軸承箱允許應(yīng)用受控不對(duì)中，或安裝損壞的軸承以進(jìn)行分析。
圖 10 .使用 OneX 工具測(cè)試設(shè)置
我們將 STEVAL-PROTEUS 節(jié)點(diǎn)連接到第二個(gè)軸承，如圖 10 所示。電機(jī)速度設(shè)置為 3000 rpm。然后測(cè)試逐漸引入更大的軸承軸不對(duì)中，保持其他實(shí)驗(yàn)參數(shù)相同。 PROTEUS 節(jié)點(diǎn)正確識(shí)別所有四個(gè)類別的錯(cuò)位，并將結(jié)果傳達(dá)給智能手機(jī)應(yīng)用程序。
圖 11 .結(jié)果如移動(dòng)應(yīng)用程序上所示。點(diǎn)擊圖片放大
如圖 11 所示，移動(dòng)應(yīng)用程序顯示與識(shí)別的條件相對(duì)應(yīng)的數(shù)字。該應(yīng)用程序還負(fù)責(zé)與云共享結(jié)果。
使用相同程序生成適當(dāng)?shù)?ML 庫(kù)來(lái)應(yīng)用其他電機(jī)故障的進(jìn)一步測(cè)試表明，使用 PROTEUS 節(jié)點(diǎn)進(jìn)行推理還可以正確識(shí)別正常和不平衡負(fù)載、機(jī)械松動(dòng)和軸承故障。
通過(guò)人工智能 (AIoT) 增強(qiáng)的物聯(lián)網(wǎng)傳感器節(jié)點(diǎn)可支持對(duì)工業(yè)設(shè)備行為偏差的早期檢測(cè)，從而提高預(yù)測(cè)性維護(hù)應(yīng)用的有效性。
富含傳感器的STEVAL-PROTEUS節(jié)點(diǎn)與使用 NanoEdge AI Studio 開(kāi)發(fā)的推理應(yīng)用程序相結(jié)合，可以檢測(cè)異常振動(dòng)并根據(jù)嚴(yán)重程度正確識(shí)別錯(cuò)位的幅度。
該傳感器和應(yīng)用程序可以量化十分之一毫米數(shù)量級(jí)的軸不對(duì)中，或小于一克的不平衡。此外，該節(jié)點(diǎn)的藍(lán)牙連接通過(guò)在系統(tǒng)解決方案中包含藍(lán)牙低功耗網(wǎng)關(guān)，可以實(shí)現(xiàn)工廠內(nèi)外的遠(yuǎn)程監(jiān)控。
所有圖片均由意法半導(dǎo)體提供
