|
物聯網 (IoT) 引發了人們對使用人工智能 (AI) 和機器學習 (ML) 技術來監視機器（包括電機、發電機和泵）運行狀況以及提醒維護工程師任何隱現問題的廣泛興趣。AI/ML 系統設計人員要想實現此類預測性維護，面臨的難題之一是為應用選擇最合適的傳感器。另一個問題是，只有相對較少的設計人員擁有構建 AI/ML 應用的經驗。 為了獲得可供 AI/ML 系統使用的數據，設計人員往往選擇將復雜的傳感器（例如三軸加速計）與高性能的微控制器開發平臺搭配使用。但在許多情況下，將簡單的電流傳感器與更普通且成本更低的微控制器開發平臺結合使用，也能實現需要的目標。 本文介紹使用電流互感器獲取必要的數據，從而以簡單且經濟實惠的方式實現 AI/ML 應用的思路。本文還利用低成本的 Arduino IoT 微控制器開發平臺和 CR Magnetics 的電流互感器，提出了一種簡單的采用電流傳感器的電路，來監視帶有一體式過濾器的真空泵的運行狀況，并在過濾器出現堵塞時提醒用戶。最后，本文還概要性介紹了創建相關 AI/ML 應用的過程。 適合 AI/ML 的簡單傳感器 為了采集用于 AI/ML 應用的數據，設計人員往往選擇三軸加速計等復雜的傳感器；但這種類型的傳感器可能會生成大量難以操作和理解的數據。要避免這種復雜性，值得記住的一點是，萬事萬物都是相互關聯的。正如人體某個部位受到傷害可能導致其他身體部位感受到牽涉性疼痛一樣，電機中的軸承故障也會改變驅動該電機的電流。類似地，進氣口堵塞除了導致過熱之外，也會改變驅動電機的電流。 因此，通過監視機器運行的一個方面，可以間接了解機器工作的其他方面。基于此，可以通過使用簡單得多的傳感器來觀察某個相關的參數，來實現所需的監視和感測目標，例如 CR Magnetics 的小巧、低成本 CR3111-3000 可拆式電流互感器（圖 1）。 
圖 1：CR3111-3000 可拆式電流互感器提供了一種低成本、易于使用的電流檢測器，該檢測器可用作 AI/ML 預測性維護應用中的主要傳感器。（圖片來源：CR Magnetics） CR3111-3000 可用于檢測高達 100 安培 (A) 的電流（CR31xx 系列的其他成員可用于檢測更小或更大的電流值）。該系列的所有成員都支持 20 赫茲 (Hz) 到 1 千赫茲 (kHz) 的頻率范圍，涵蓋了大多數工業應用。此外，所有 CR31xx 器件均采用鉸鏈和鎖扣機構，可以在不中斷載流電線的情況下進行連接。 Arduino Nano 33 IoT Arduino 的 ABX00032 Arduino Nano 33 IoT 便是一個適用于簡單 AI/ML 應用原型設計的低成本微控制器開發平臺示例（圖 2）。Arduino Nano 33 IoT 采用一個以 48 兆赫 (MHz) 頻率運行的 Arm® Cortex®-M0+ 32 位 ATSAMD21G18A 處理器，具有 256 KB 閃存和 32 KB SRAM，而且配備了 Wi-Fi 和藍牙連接。
圖 2：Arduino ABX00032 Nano 33 IoT 提供了一個低成本的構建 AI/ML 應用的基礎平臺，可將現有器件（或構建新器件）增強成為 IoT 的一部分。（圖片來源：Arduino） 數據采集電路 本次討論目的所用電路如下圖 3 所示。CR3111-3000 使用 1000:1 的比率將所測的機器驅動電流轉換為小得多的電流。
圖 3：該電路采用 3.3 伏輸入，用于將 CR3111-3000 的輸出轉換為可供的 Arduino Nano 33 IoT 使用的形式。（圖片來源：Max Maxfield） 電阻器 R3 跨接在 CR3111-3000 的次級（輸出）線圈兩端，用作負載電阻器，從而根據流經它的電流量產生與電阻值成比例的輸出電壓。 電阻器 R1 和 R2 充當分壓器，形成具有 1.65 伏電壓值的“虛擬接地”。這使得 CR111-3000 的值可以正負擺動而仍不會碰到零電壓軌，因為微控制器不能接受負電壓。電容器 C1 構成 RC 噪聲濾波器的一部分，可減少 3.3 伏電源和附近雜散場產生的混入測量的噪聲，從而幫助分壓器起到更好的接地作用。 為了提供演示測試臺，使用了具有集成式過濾器的真空泵。出于此原型的目的，在電源和真空泵之間插入一根 Tripp Lite 的 P006-001 1 英尺延長電源線（圖 4）。
圖 4：經修改可接受電流傳感器的 1 英尺延長電源線。（圖片來源：Max Maxfield） 該原型電路使用作者的零備件庫中的元器件實現（圖 5）。現成的等效元器件如下： (1) Adafruit 的 64 試驗板 (1) 與試驗板搭配使用的 Twin Industries 的 TW-E012-000 預成型電線套件 (1) Stackpole Electronics 的 RNMF14FTC150R 150 歐姆 (Ω) ±1% 0.25 瓦 (W) 通孔電阻器 (2) Stackpole Electronics 的 RNF14FTD10K0 10 千歐 (kΩ) ±1% 0.25 W 通孔電阻器 (1) KEMET 的 ESK106M063AC3FA 10 微法拉 (μF) 63 伏鋁電解電容器
圖 5：該原型電路使用小型試驗板和作者的零備件庫中的元器件實現。（圖片來源：Max Maxfield） 至于電流傳感器的引線，則是將 Pololu Corp. 的 1931 22-28 AWG 壓接引腳壓接在兩端來實現。然后將這些引腳插入同樣來自 Pololu 的具有 0.1 英寸 (in.)（2.54 毫米 (mm)）間距的 1904 5 x 1 黑色矩形外殼中。 創建 AI/ML 應用 為了創建 AI/ML 應用，請先從 Cartesium 的網站獲取免費的 NanoEdge AI Studio 試用版（另請參閱“輕松將人工智能植入任何工業系統”）。 啟動 NanoEdge AI Studio 后，程序會邀請用戶創建新項目并為其命名。然后將詢問用戶所用的處理器（使用 Arduino Nano 33 IoT 開發板時為 Arm Cortex-M0+）、所用的傳感器類型（在本例中為電流傳感器），以及專門用于此 AI/ML 模型的最大內存量（此演示選擇了 6 KB）。 為了創建 AI/ML 模型，首先有必要采集良好數據和不良數據的代表性樣本（圖 6）。接著創建一個簡單的 Arduino 草圖（程序），從電流傳感器讀取值。該數據可以從微控制器的 USB 端口直接“實時”加載到 NanoEdge AI Studio 中。或者，也可以將數據采集到文本文件中，進行編輯（以刪除運行開始和結束時的雜散樣本），然后加載到 NanoEdge AI Studio 中。
圖 6：良好/正常數據（頂部）和不良/異常數據（底部）的比較。除了顏色上的差異外，這些圖形在人眼看來似乎并沒有太大的不同，但適當的 AI/ML 模型可以區分它們。（圖片來源：Max Maxfield） 良好數據是從正常模式下運行的真空泵收集而來。為了收集不良數據，用紙盤阻塞泵的空氣過濾器。 通過利用良好數據和不良數據，NanoEdge AI Studio 從 5 億種可能的組合中生成了最佳的 AI/ML 庫解決方案。以多種不同的方式顯示其進行中的進度，包括一個散點圖，其中顯示了正常信號（藍色）與異常信號（紅色）在閾值方面的區別程度，本例中閾值設為 90%（圖 7）。
圖 7：NanoEdge AI Studio 評估多達 5 億種不同的 AI/ML 模型，以確定正常和異常數據的最佳配置。最初的模型很少成功（頂部），但是該工具會自動通過迭代獲得越來越好的解決方案，直到開發人員決定終止（底部）。（圖片來源：Max Maxfield） 早期的模型通常很難區分正常數據和異常數據，但是系統會評估算法元素的不同組合，通過迭代獲得越來越精確的解決方案。在本例中，該過程在評估 58,252 個庫后停止。生成的庫（模型）大小僅為 2 KB。 值得注意的是，現階段的模型仍處于未訓練的形式。許多不同的因素都有可能影響機器的運行方式。例如，兩個看似相同的真空泵可能安裝在不同的位置：一個可能在混凝土板上，另一個在懸浮的地板上。或者其中一臺機器可能位于炎熱潮濕的環境中，而另一臺機器可能處于寒冷干燥的環境中。此外，一個可能連接到較長的金屬管，而另一個可能連接到較短的塑料管。 因此，下一步是針對真實世界中部署的機器上所連接的微控制器和傳感器，將該庫合并到在其上運行的應用程序中。然后，不同機器上的 AI/ML 模型將使用來自這些真實設備中的良好數據進行自我訓練。在此自我訓練期之后，可以保留 AI/ML 模型來監視機器的運行狀況，查找異常和趨勢，并將其發現和預測結果報告給人類主管。 結語 利用 AI/ML 進行預測性維護，工程師便可在實際發生故障之前解決問題。但是，在實現預測性維護系統時，所用的硬件必須盡可能地簡單且經濟實惠；此外，設計人員還需要隨時訪問所需的軟件以執行分析。 如上所示，與其選擇復雜的多軸加速計和相關的硬件，不如將簡單小巧的低成本 CR3111-3000 可拆式電流互感器連接到低成本的微控制器平臺，同樣可以執行所需的感測和數據收集。結合 AI/ML 工具和算法的進步，非 AI/ML 專家現在也可以創建復雜的 AI/ML 模型，并將其部署在各種簡單和復雜的感測應用中。 來源：Digi-Key 作者：Clive "Max" Maxfield |
