Gebruik een stroomsensor om efficiënt gegevens te verkrijgen voor voorspellend onderhoud met AI.

Het Internet of Things (IoT) heeft geleid tot een enorme belangstelling voor het gebruik van technologieën voor kunstmatige intelligentie (AI) en machineleren (ML) om de gezondheid van machines, waaronder motors, generators en pompen, te bewaken en om onderhoudsmonteurs te waarschuwen voor eventuele dreigende problemen. Een moeilijkheid voor de ontwerpers van AI/ML-systemen die dit soort predictief onderhoud willen uitvoeren, is het selecteren van de beste sensor voor de toepassing. Een ander probleem is dat relatief weinig ontwerpers ervaring hebben met het creëren van AI/ML-toepassingen.

Om de gegevens voor het AI/ML-systeem te verkrijgen, kiezen ontwerpers vaak voor geavanceerde sensors zoals drie-assige versnellingsmeters in combinatie met krachtige microcontrollerontwikkelingsplatforms. In veel gevallen is het echter mogelijk om het gewenste doel te bereiken met behulp van een eenvoudige stroomsensor in combinatie met een bescheidener en minder kostbaar microcontrollerontwikkelingsplatform.

Dit artikel introduceert het idee van het gebruik van een huidige stroomsensortransformator om de gegevens te verkrijgen die nodig zijn om eenvoudig en kosteneffectief AI/ML-toepassingen te implementeren. Met behulp van een goedkope Arduino IoT-microcontrollerontwikkelplatform en een stroomsensortransformator van CR Magnetics, presenteert het artikel ook een eenvoudig circuit dat gebruik maakt van de stroomsensor om de gezondheid van een vacuümpomp te controleren met een geïntegreerd filter, dat de gebruiker waarschuwt wanneer het filter verstopt is geraakt. Tot slot geeft het artikel een overzicht van het proces van het creëren van de bijbehorende AI/ML applicatie.

Eenvoudige sensors voor AI/ML

Om de gegevens voor een AI/ML-toepassing te verkrijgen, kiezen ontwerpers vaak voor geavanceerde sensors zoals drie-assige versnellingsmeters; maar dit type sensor kan enorme hoeveelheden gegevens genereren die moeilijk te manipuleren en te begrijpen zijn. Om deze complexiteit te vermijden, is het de moeite waard om te onthouden dat alles met elkaar samenhangt. Net zoals een verwonding van een deel van het lichaam van een persoon de genoemde pijn kan veroorzaken die elders in het lichaam wordt waargenomen, kan een defecte lager in een motor de stroom die wordt gebruikt om die motor aan te drijven, wijzigen. Op dezelfde manier kan een geblokkeerde luchtinlaat niet alleen oververhitting veroorzaken, maar ook de stroom die wordt gebruikt om de motor aan te drijven, wijzigen.

Bijgevolg kan het monitoren van één aspect van de werking van een machine licht werpen op andere facetten van de werking ervan. Hierdoor is het mogelijk om het gewenste bewakings- en detectiedoel te bereiken door het observeren van een verwante parameter met behulp van een aanzienlijk eenvoudigere sensor, zoals de goedkope, kleinschalige, CR3111-3000 split-core stroomsensortransformator van CR Magnetics (Afbeelding 1).

Afbeelding 1: De CR3111-3000 split-core stroomsensortransformator biedt een goedkope, eenvoudig te gebruiken stroomdetector die kan worden gebruikt als de primaire sensor in een AI/ML voorspellende onderhoudstoepassing. (Bron afbeelding: CR Magnetics)

De CR3111-3000 kan worden gebruikt om stroom tot 100 ampère (A) te detecteren (andere leden van de CR31xx-familie kunnen worden ingezet voor minder of grotere stroomwaarden). Alle leden van de familie ondersteunen een frequentiebereik van 20 hertz (Hz) tot 1 kilohertz (kHz), wat het merendeel van de industriële toepassingen dekt. Ook maken alle CR31xx-apparaten gebruik van een scharnier- en vergrendelingsklik waarmee ze kunnen worden bevestigd zonder de stroomdraad te onderbreken.

Het Arduino Nano 33 IoT

Een voorbeeld van een goedkoop microcontrollerontwikkelingsplatform dat geschikt is voor het maken van prototypes van eenvoudige AI/ML-toepassingen is de ABX00032 Arduino Nano 33 IoT van Arduino (Afbeelding 2). Met een Arm® Cortex®-M0+ 32-bit ATSAMD21G18A processor die draait op 48 megahertz (MHz) met 256 kilobyte (Kbytes) flash-geheugen en 32 Kbytes SRAM, is de Arduino Nano 33 IoT ook uitgerust met zowel Wi-Fi als Bluetooth connectiviteit.

Afbeelding 2: Het Arduino ABX00032 Nano 33 IoT biedt een goedkoop platform waarop AI/ML-toepassingen kunnen worden gebouwd om bestaande apparaten te verbeteren (en nieuwe te creëren) om deel uit te maken van het IoT. (Bron afbeelding: Arduino)

Gegevensvastleggingscircuit

Het circuit dat voor deze discussie wordt gebruikt, is hieronder weergegeven in Afbeelding 3. De CR3111-3000 zet de gemeten stroom die de machine aandrijft om in een veel kleinere stroom met een 1000:1 verhouding.

Afbeelding 3: De schakeling die wordt gebruikt om de uitgang van de CR3111-3000 om te zetten in een vorm die kan worden gebruikt door de Arduino Nano 33 IoT met zijn 3,3 volt ingangen. (Bron afbeelding: Max Maxfield)

Weerstand R3, die over de secundaire (uitgangs)spoel van de CR3111-3000 is aangesloten, werkt als een belastingsweerstand en produceert een uitgangsspanning die evenredig is met de waarde van de weerstand, gebaseerd op de hoeveelheid stroom die er doorheen stroomt.

Weerstanden R1 en R2 werken als een spanningsdeler en vormen een "virtuele aarde" met een waarde van 1,65 volt. Hierdoor kunnen de waarden van de CR111-3000 positief en negatief zwaaien en toch geen spoor raken, omdat de microcontroller geen negatieve spanningen kan accepteren. Condensator C1 maakt deel uit van een RC-geluidsfilter dat het geluid van de 3,3 volt voeding en de nabijgelegen zwerfvelden vermindert om in de metingen te komen, waardoor de spanningsdeler als een betere aarde fungeert.

Een vacuümpomp met een geïntegreerd filter werd gebruikt om een demonstratietestbank te voorzien. Ten behoeve van dit prototype werd Tripp Lite's P006-001 1 voet (ft.) verlengsnoer tussen de voeding en de vacuümpomp gestoken (Afbeelding 4).

Afbeelding 4: Het 1 voet verlengsnoer dat werd aangepast om de stroomsensor te accepteren. (Bron afbeelding: Max Maxfield)

Het prototype circuit werd geïmplementeerd met behulp van componenten uit de schatkist met reserveonderdelen van de auteur (Afbeelding 5). Gemakkelijk beschikbare equivalenten zouden als volgt zijn:

• (1) Adafruit 64 breadbord
• (1) Twin Industries TW-E012-000 voorgevormde draadkit voor gebruik met breadbords
• (1) Stackpole Electronics RNMF14FTC150R 150 ohm (Ω) ±1% 0,25 watt (W) door-gat-weerstand
• (2) Stackpole Electronics' RNF14FTD10K0 10 kiloohm (kΩ) ±1% 0,25 W door-gat-weerstand
• (1) KEMET ESK106M063AC3FA 10 microfarad (µF) 63 volt aluminium elektrolytische condensator

Afbeelding 5: Het prototype circuit werd geïmplementeerd met behulp van een klein breadbord en onderdelen uit de schatkist van de auteur van reserveonderdelen. (Bron afbeelding: Max Maxfield)

Met betrekking tot de kabels van de stroomsensor, 1931 22-28 AWG krimppinnen van Pololu Corp. werden aan de uiteinden gecrimpt. Deze pinnen werden vervolgens gestoken in een 1904 5 x 1 zwarte rechthoekige behuizing met een 0,1 inch (in). (2,54 millimeter (mm)) pitch, ook van Pololu.

Het creëren van de AI/ML applicatie

Om de AI/ML-applicatie te maken, werd een gratis proefversie van NanoEdge AI Studio geopend vanaf de website van Cartesium (zie ook, " Breng eenvoudig kunstmatige intelligentie naar elk industrieel systeem").

Wanneer NanoEdge AI Studio wordt gelanceerd, wordt de gebruiker uitgenodigd om een nieuw project te maken en te benoemen. De gebruiker wordt dan gevraagd naar de gebruikte processor (een Arm Cortex-M0+ in het geval van de Arduino Nano 33 IoT-ontwikkelingsbord), het type sensor dat wordt gebruikt (een stroomsensor in dit geval), en de maximale hoeveelheid geheugen die aan dit AI/ML-model wordt besteed (6 Kbytes werd geselecteerd voor deze demonstratie).

Om het AI/ML-model te creëren, is het eerst nodig om representatieve monsters van goede en slechte gegevens vast te leggen (Afbeelding 6). Er is een eenvoudige Arduino schets (programma) gemaakt om de waarden van de stroomsensor uit te lezen. Deze gegevens kunnen direct in NanoEdge AI Studio "on-the-fly" worden geladen vanaf de USB-poort van de microcontroller. Als alternatief kunnen de gegevens worden vastgelegd in een tekstbestand, worden bewerkt (om valse monsters aan het begin en het einde van de run te verwijderen) en vervolgens worden geladen in NanoEdge AI Studio.

Afbeemdo,g 6: Vergelijking van goede/normale gegevens (boven) en slechte/abnormale gegevens (onder). Afgezien van de verschillen in kleur lijken deze niet erg verschillend voor het menselijk oog, maar een passend AI/ML-model kan er wel onderscheid in maken. (Bron afbeelding: Max Maxfield)

De goede gegevens werden verzameld met de vacuümpomp die in zijn normale modus draait. Om de slechte gegevens te verzamelen, werd het luchtfilter van de pomp geblokkeerd met een schijfje papier.

Met behulp van de goede en slechte data genereert NanoEdge AI Studio de beste AI/ML-bibliotheekoplossing uit 500 miljoen mogelijke combinaties. De voortgang ervan wordt op verschillende manieren weergegeven, waaronder een strooigrafiek die laat zien hoe goed de normale signalen (blauw) worden onderscheiden van de abnormale signalen (rood) met betrekking tot een drempelwaarde, die in dit voorbeeld op 90% is ingesteld (Afbeelding 7).

Afbeelding 7: NanoEdge AI Studio evalueert tot 500 miljoen verschillende AI/ML-modellen om de optimale configuratie voor de normale en abnormale gegevens te bepalen. De eerste modellen zijn zelden succesvol (boven), maar de tool itereert automatisch op betere oplossingen totdat de ontwikkelaar besluit te stoppen (onder). (Bron afbeelding: Maxfield))

De vroege modellen vinden het meestal moeilijk om een onderscheid te maken tussen de normale en abnormale gegevens, maar het systeem evalueert verschillende combinaties van algoritmische elementen, waarbij wordt uitgegaan van steeds nauwkeurigere oplossingen. In dit geval werd het proces stopgezet nadat 58.252 bibliotheken waren geëvalueerd. De resulterende bibliotheek (model) was slechts 2 Kbytes groot.

Het is belangrijk om op te merken dat het model in dit stadium in zijn ongetrainde vorm is. Veel verschillende factoren kunnen van invloed zijn op de manier waarop de machines werken. Zo kunnen bijvoorbeeld twee schijnbaar identieke vacuümpompen op verschillende plaatsen worden gemonteerd, bijvoorbeeld op een betonnen plaat en de andere op een hangende vloer. Of een van de machines kan zich in een warme, vochtige omgeving bevinden, terwijl de andere in een koude, droge omgeving kan staan. Verder zou men kunnen worden aangesloten op lange lengtes metalen pijp, terwijl de andere zou kunnen worden bevestigd aan korte lengtes plastic pijp.

De volgende stap is dus om de bibliotheek te integreren in de applicaties die draaien op de microcontrollers en sensors die zijn aangesloten op machines die in de echte wereld worden ingezet. De AI/ML-modellen op de verschillende machines trainen zich dan met goede gegevens van deze real-world-installaties. Na deze zelftrainingsperiode kunnen de AI/ML-modellen worden overgelaten om de gezondheid van de machines te monitoren, op zoek te gaan naar afwijkingen en trends, en hun bevindingen en voorspellingen te rapporteren aan menselijke begeleiders.

Conclusie

Voorspellend onderhoud met behulp van AI/ML stelt ingenieurs in staat om problemen aan te pakken voordat er daadwerkelijk storingen optreden. De hardware die wordt gebruikt om het voorspellende onderhoudssysteem te implementeren moet echter zo eenvoudig en kostenefficiënt mogelijk zijn; ook moeten de ontwerpers klaar zijn om de vereiste software te gebruiken om de analyse uit te voeren.

Zoals afgebeeld, in plaats van te kiezen voor een complexe meerassige versnellingsmeter en bijbehorende hardware, kan een eenvoudige, goedkope, kleinschalige CR3111-3000 split-core stroomsensortransformator die is aangesloten op een goedkoop microcontrollerplatform, de vereiste detectie en gegevensverzameling uitvoeren. In combinatie met de vooruitgang op het gebied van AI/ML-tools en algoritmen is het nu mogelijk voor niet-AI/ML-experts om geavanceerde AI/ML-modellen te creëren die kunnen worden ingezet in een breed scala aan eenvoudige en complexe sensing-toepassingen.