Użycie czujnika prądu do efektywnego pozyskiwania danych na potrzeby konserwacji zapobiegawczej z wykorzystaniem sztucznej inteligencji

Internet rzeczy (IoT) sprawił, że wzrosło zainteresowanie wykorzystaniem technologii sztucznej inteligencji (AI) i uczenia maszynowego (ML) do monitorowania stanu maszyn, w tym silników, generatorów i pomp, oraz do ostrzegania techników o zbliżających się problemach. Trudnością, z którą muszą mierzyć się projektanci systemów AI/ML chcący wdrożyć ten rodzaj konserwacji zapobiegawczej, jest dobór najlepszego czujnika do danego zastosowania. Kolejną kwestią jest to, że stosunkowo niewielu projektantów ma jakiekolwiek doświadczenie w tworzeniu aplikacji AI/ML.

Aby uzyskać dane, na których może pracować system AI/ML, projektanci często wybierają zaawansowane czujniki, takie jak przyspieszeniomierze trójosiowe i stosują je w połączeniu z platformami rozwojowymi dla mikrokontrolerów o dużej mocy. W wielu przypadkach możliwe jest jednak osiągnięcie pożądanego celu za pomocą prostego czujnika prądu w połączeniu ze skromniejszą i tańszą platformą rozwojową dla mikrokontrolerów.

W niniejszym artykule zaprezentowano ideę wykorzystania przekładnika prądowego w celu uzyskania danych niezbędnych do prostego i ekonomicznego wdrożenia aplikacji AI/ML. Wykorzystując niedrogą platformę rozwojową dla mikrokontrolerów Arduino IoT oraz przekładnik prądowy firmy CR Magnetics, w artykule przedstawiono również prosty układ z czujnikiem natężenia prądu służącym do monitorowania stanu pompy próżniowej z wbudowanym filtrem, ostrzegający użytkownika o zatkaniu się filtra. Na koniec w artykule przedstawiono przegląd procesu tworzenia powiązanej aplikacji AI/ML.

Proste czujniki do AI/ML

W celu pozyskania danych, na których będą pracować aplikacje AI/ML, projektanci często wybierają zaawansowane czujniki, takie jak przyspieszeniomierze trójosiowe. Jednakże tego typu czujniki mogą generować ogromne ilości danych, które trudno zrozumieć i którymi trudno zarządzać. Aby uniknąć tak złożonych systemów, warto pamiętać, że wszystkie elementy są ze sobą powiązane. Uraz jednej części ciała może spowodować określony rodzaj bólu, odczuwany w zupełnie innym miejscu, a awaria łożyska w silniku może zmienić prąd wykorzystywany do napędzania tegoż silnika. Zablokowany wlot powietrza oprócz samego przegrzania może również zmienić prąd używany do napędzania silnika.

W związku z tym monitorowanie jednego aspektu pracy maszyny może rzucić światło na inne aspekty jej pracy. Osiągnięcie pożądanego celu monitorowania i wykrywania zdarzeń możliwe jest poprzez obserwację powiązanych ze zdarzeniem parametrów za pomocą znacznie prostszego czujnika, np. taniego, niewielkiego przekładnika prądowego z rozpinanym rdzeniem i czujnikiem CR3111-3000 firmy CR Magnetics (ilustracja 1).

Ilustracja 1: przekładnik prądowy z rozpinanym rdzeniem i czujnikiem CR3111-3000 jest tanim i łatwym w obsłudze detektorem prądu, który można stosować jako detektor pierwotny w zastosowaniach z zakresu konserwacji zapobiegawczej AI/ML. (Źródło ilustracji: CR Magnetics)

Model CR3111-3000 może być używany do wykrywania prądu o natężeniu do 100A (inne modele z serii CR31xx można zastosować przy mniejszych lub większych wartościach prądu). Wszystkie modele z tej serii obsługują zakres częstotliwości od 20Hz do 1kHz, obejmujący większość zastosowań przemysłowych. Ponadto we wszystkich urządzeniach serii CR31xx zastosowano zawiasy i zatrzaski blokujące, które umożliwiają ich zamocowanie bez przerywania przewodu przenoszącego prąd.

Arduino Nano 33 IoT

Jednym z przykładów taniej platformy rozwojowej dla mikrokontrolerów, odpowiedniej do prototypowania prostych aplikacji AI/ML jest płytka ABX00032 Arduino Nano 33 IoT firmy Arduino (ilustracja 2). Arduino Nano 33 IoT jest wyposażona w 32-bitowy procesor Arm® Cortex®-M0+ ATSAMD21G18A, pracujący na częstotliwości 48MHz z 256kB pamięci Flash i 32kB pamięci SRAM. Jest on również wyposażony w łączność Wi-Fi i Bluetooth.

Ilustracja 2: ABX00032 Arduino Nano 33 IoT stanowi tanią platformę, na której można budować aplikacje AI/ML w celu ulepszenia istniejących urządzeń (i tworzenia nowych), które mają być częścią Internetu rzeczy (IoT). (Źródło ilustracji: Arduino)

Układ przechwytywania danych

Układ wykorzystywany na potrzeby niniejszego artykułu przedstawiono na ilustracji 3. Przekładnik CR3111-3000 przetwarza mierzony prąd napędzający maszynę na znacznie mniejszy, przy zastosowaniu stosunku 1000:1.

Ilustracja 3: układ używany do konwersji sygnału wyjściowego przekładnika CR3111-3000 na postać, która może być używana przez wejścia 3.3V w Arduino Nano 33 IoT . (Źródło ilustracji: Max Maxfield)

Rezystor R3, który jest podłączony do zacisków cewki wtórnej (wyjściowej) przekładnika CR3111-3000 działa jako rezystor obciążenia, wytwarzając napięcie wyjściowe proporcjonalne do wartości rezystora, w oparciu o natężenie przepływającego przez niego prądu.

Rezystory R1 i R2 pełnią funkcję dzielnika napięcia, tworząc „masę wirtualną” o wartości 1,65V. Dzięki temu wartości z przekładnika CR111-3000 mogą zmieniać się na dodatnie i ujemne i nadal nie osiągać potencjału szyny, ponieważ mikrokontroler nie przyjmuje ujemnych napięć. Kondensator C1 stanowi część filtra szumów RC, który redukuje wpływ zakłóceń pochodzących od zasilania 3,3V i pobliskich pól rozproszenia na pomiary, poprawiając tym samym jakość masy stworzonej przez dzielnik napięcia.

Dla celów prezentacji wykorzystano przykład pompy próżniowej z wbudowanym filtrem. Na potrzeby tego prototypu, pomiędzy zasilaczem i pompą próżniową zainstalowano przedłużający sznur zasilający P006-001 firmy Tripp Lite o długości 30cm (ilustracja 4).

Ilustracja 4: przedłużający sznur zasilający o długości 30cm, który został zmodyfikowany do współpracy z czujnikiem prądu. (Źródło ilustracji: Max Maxfield)

Układ prototypowy został stworzony z wykorzystaniem elementów ze „skrzynki skarbów” autora artykułu, pełnej części zamiennych (ilustracja 5). Łatwo dostępne odpowiedniki byłyby następujące:

• (1) płytka prototypowa Adafruit 64
• (1) zestaw gotowych przewodów do płytek prototypowych TW-E012-000 firmy Twin Industries
• (1) rezystor przewlekany 150Ω ±1% 0,25W RNMF14FTC150R firmy Stackpole Electronics
• (2) rezystor przewlekany 10kΩ ±1% 0,25W RNF14FTD10K0 firmy Stackpole Electronics
• (1) aluminiowy kondensator elektrolityczny, 10µF, 63V ESK106M063AC3FA firmy KEMET

Ilustracja 5: układ prototypowy został stworzony z wykorzystaniem niewielkiej płytki prototypowej i elementów ze „skrzyni skarbów” autora tekstu, pełnej części zamiennych. (Źródło ilustracji: Max Maxfield)

Końce odprowadzeń czujnika prądu zostały zaopatrzone we wtyki zagniatane 1931 22-28AWG firmy Pololu Corp. Wtyki te zostały następnie włożone do czarnej prostokątnej obudowy 5 x 1 1904 o rastrze 0,1 cala (2,54mm) również firmy Pololu.

Tworzenie aplikacji AI/ML

W celu stworzenia aplikacji AI/ML, na stronie Cartesium uzyskano dostęp do bezpłatnej wersji próbnej NanoEdge AI Studio (patrz artykuł: „Prosty sposób na wprowadzenie sztucznej inteligencji do każdego systemu przemysłowego”).

Po uruchomieniu NanoEdge AI Studio, użytkownik jest proszony o utworzenie nowego projektu i nadanie mu nazwy. Następnie użytkownik jest pytany o procesor, którego używa (Arm Cortex-M0+ w przypadku płytki rozwojowej Arduino Nano 33 IoT), typy używanych czujników (w tym przypadku czujnik prądu) i maksymalną ilość pamięci, która ma być przeznaczona na ten model AI/ML (w tym przykładzie wybrano 6kB).

W celu stworzenia modelu AI/ML należy najpierw pobrać reprezentatywne próbki dobrych i złych danych (ilustracja 6). Stworzony został prosty szkic Arduino (program) do odczytu wartości z czujnika prądu. Dane te można załadować bezpośrednio do NanoEdge AI Studio z portu USB mikrokontrolera. Dane mogą być również przechwytywane do pliku tekstowego, edytowane (w celu usunięcia błędnych próbek na początku i na końcu badania), a następnie załadowane do NanoEdge AI Studio.

Ilustracja 6: porównanie dobrych/prawidłowych danych (góra) i złych/nieprawidłowych danych (dół). Poza różnicami kolorystycznymi, ludzkie oko raczej nie dostrzeże wyraźnej różnicy, ale odpowiedni model AI/ML może to zdobić. (Źródło ilustracji: Max Maxfield)

Prawidłowe dane zostały zebrane przy pompie próżniowej pracującej w trybie normalnym. W celu zebrania nieprawidłowych danych, filtr powietrza pompy został zatkany krążkiem papieru.

Korzystając z dobrych i złych danych, NanoEdge AI Studio generuje najlepsze rozwiązanie biblioteki AI/ML spośród 500 milionów możliwych kombinacji. Bieżący postęp wyświetlany jest na wiele różnych sposobów, w tym na wykresie punktowym, pokazującym jak dobrze sygnały prawidłowe (niebieski) są odróżniane od sygnałów nieprawidłowych (czerwony) w odniesieniu do wartości progowej, która w tym przykładzie została ustawiona na 90% (ilustracja 7).

Ilustracja 7: NanoEdge AI Studio ocenia do 500 milionów różnych modeli AI/ML w celu określenia optymalnej konfiguracji dla danych prawidłowych i nieprawidłowych. Początkowe modele rzadko działają z powodzeniem(góra), ale narzędzie automatycznie iteruje na coraz lepszych rozwiązaniach, dopóki deweloper nie zdecyduje się na zatrzymanie (dół). (Źródło ilustracji: Max Maxfield)

We wczesnych modelach zazwyczaj trudno jest odróżnić dane prawidłowe od nieprawidłowych, ale system ocenia różne kombinacje elementów algorytmicznych, powtarzając je na coraz dokładniejszych rozwiązaniach. W tym przypadku proces ten został wstrzymany po ocenie 58 252 bibliotek. Wynikowa biblioteka (model) miała rozmiar zaledwie 2kB.

Należy zauważyć, że na tym etapie model jest niewyszkolony. Wiele różnych czynników może wpływać na sposób działania maszyn. Na przykład, dwie pozornie identyczne pompy próżniowe mogą być zamontowane w różnych miejscach, na przykład jedna na płycie betonowej, a druga na podwieszanej podłodze. Albo jedna z maszyn może znajdować się w gorącym, wilgotnym otoczeniu, podczas gdy druga może znajdować się w zimnym, suchym miejscu. Ponadto jedna z nich może być podłączona do długich odcinków rur metalowych, a druga do krótkich odcinków rur z tworzywa sztucznego.

Następnym krokiem jest więc włączenie biblioteki do aplikacji działających na mikrokontrolerach i czujnikach, które są podłączone do maszyn, które pracują w realnym świecie. Modele AI/ML na różnych maszynach będą się wtedy uczyć na prawidłowych danych z faktycznie pracujących instalacji. Po tym okresie samokształcenia, modele AI/ML mogą być pozostawione do monitorowania stanu maszyn, wykrywania anomalii i trendów oraz zgłaszania swoich ustaleń i przewidywań osobom nadzorującym.

Podsumowanie

Konserwacja zapobiegawcza z wykorzystaniem AI/ML pozwala inżynierom rozwiązywać problemy zanim awarie rzeczywiście wystąpią. Jednak sprzęt wykorzystywany do wdrożenia systemu konserwacji zapobiegawczej musi być jak najprostszy i jak najbardziej opłacalny. Również projektanci potrzebują łatwego dostępu do wymaganego oprogramowania do przeprowadzenia analizy.

Jak wykazano, zamiast wybierać skomplikowany przyspieszeniomierz wieloosiowy i potrzebny sprzęt, wykrywanie i gromadzenie danych można przeprowadzić za pomocą prostego, taniego i niewielkiego przekładnika prądowego z rozpinanym rdzeniem CR3111-3000 podłączonego do taniej platformy mikrokontrolera. W połączeniu z postępem w zakresie narzędzi i algorytmów AI/ML, eksperci spoza AI/ML mogą teraz tworzyć zaawansowane modele AI/ML, które można wdrożyć w wielu prostych i złożonych zastosowaniach.