DigiKey
Avtor: Rolf Horn
Nadzor na podlagi stanja (angl. Condition-based monitoring – CbM) pomaga preprečevati okvare opreme s predvidljivim vzdrževanjem, vendar je za načrtovanje učinkovitega sistema običajno potrebna optimalna integracija natančnega zaznavanja, nizkošumnih signalnih verig, upravljanja z energijo in brezžične povezljivosti.
To so zapletene funkcije, ki lahko zavlečejo in povečajo stroške uvedbe CbM. Razvijalci se zavedajo tudi prednosti umetne inteligence (AI) na robu omrežja, kar dodatno zapleta CbM. Potrebna je bolj preprosta in učinkovita rešitev.
Ta članek ponuja kratek pregled CbM. Nato predstavlja rešitev Drop-in od Analog Devices [1], ki omogoča takojšnjo uvedbo brezžičnega CbM z umetno inteligenco na robu.
Zakaj je spremljanje stanja tako pomembno
Nenačrtovani izpad delovanja ostaja pomemben izziv pri ohranjanju visoke ravni učinkovitosti obratovalne opreme. En sam nepričakovan izpad kritičnega dela opreme lahko povzroči zastoj celotnih proizvodnih linij, motnje v dobavnih verigah in draga servisna posredovanja. Tradicionalni pristopi vzdrževanja, ki vključujejo reaktivna popravila po izpadu ali strogo načrtovane servisne intervale, imajo svoje slabosti: reaktivno vzdrževanje povzroča drag izpad delovanja, medtem ko načrtovano vzdrževanje povzroča stroške virov z nepotrebno zamenjavo komponent, ki ostanejo operativne.
CbM omogoča izvajanje stroškovno učinkovitejših metod predvidljivega vzdrževanja. S spremljanjem vibracij, temperature, toka ali drugih kazalnikov zmogljivosti lahko upravljavci opreme zgodaj prepoznajo znake poslabšanja delovanja komponent, še preden pride do okvare. Ta na podatkih temelječ pristop zmanjšuje neplanirane izpade, podaljšuje življenjsko dobo opreme in znižuje skupne stroške lastništva.
Kljub vsem prednostim se lahko uvedba CbM zavleče zaradi zapletenosti zahtev in potrebe po strokovnem znanju iz več disciplin. Premagovanje teh izzivov predstavlja pomembno oviro za uspešno uporabo predvidljivega vzdrževanja z CbM za industrijsko in avtomobilsko opremo.
Izzivi in zahteve pri spremljanju stanja
Da bi CbM lahko izkoristil vse svoje potencialne prednosti, morajo rešitve CbM zanesljivo delovati v zahtevnih industrijskih in avtomobilskih okoljih, hkrati pa zagotavljati pravočasne analize na podlagi natančnih merilnih podatkov. Vendar pa narava teh ciljnih okolij povzroča precejšnje mehanske in okoljske obremenitve merilnih naprav, tudi med normalnim delovanjem nadzorovane opreme. Industrijski motorji, pogonski sistemi in težka rotacijska oprema izpostavljajo nadzorne naprave nenehnim vibracijam, udarcem, ekstremnim temperaturam in visokim ravnem elektromagnetnih motenj (EMI).
Da bi omogočili zanesljivo prediktivno vzdrževanje, morajo senzorji vibracij v napravah CbM biti sposobni zaznati tudi najmanjše spremembe, ki pogosto najprej nakazujejo na neuravnoteženost gredi, neporavnavo ali obrabo ležaja. Za zagotavljanje visoko natančnega merjenja vibracij kljub zahtevnim okoljskim pogojem je potreben podsistem za pridobivanje signalov senzorjev z visoko pasovno širino in nizko stopnjo šuma, ki zagotavlja stabilno delovanje v zahtevnih delovnih okoljih.
V središču metod CbM je analiza vibracij, ki zagotavlja podlago za prepoznavanje vzorcev, ki ločujejo normalno delovanje od zgodnjih znakov okvare. V preteklosti so sistemi senzorjev vibracij svoje meritve posredovali centralnemu gostitelju ali viru v oblaku za analizo. Vendar pa napredne rešitve CbM vse bolj preusmerjajo analizo na rob. Z analizo podatkov znotraj ali v bližini senzorskega sistema se rezultati generirajo z minimalno zakasnitvijo, promet pa se zmanjša v časovno občutljivih industrijskih in avtomobilskih omrežjih.
Zlasti sklepanje na robu AI, ki temelji na modelih konvolucionalnih nevronskih mrež (CNN), omogoča interpretacijo sprememb vibracij v realnem času. Vendar je sklepanje z uporabo CNN računsko intenzivno, kar dodatno otežuje cilj implementacije CbM brez preseganja omejitev moči, velikosti ali stroškov sistema.
Potreba po zmanjšanju porabe energije postaja vse bolj nujna, saj se CbM vse pogosteje uporablja v rotacijski opremi ali v oddaljeni ali mobilni opremi, kjer žične povezave niso praktične. Pri izpolnjevanju zahtev za brezžično povezljivost v teh primerih Bluetooth Low Energy (BLE) v primerjavi z alternativnimi možnostmi povezljivosti ponuja zahtevano kombinacijo dometa, moči in zanesljivosti (tabela 1).
Tako kot pri obdelavi AI na robu omrežja je tudi tu izziv najti rešitev za povezljivost BLE, ki bo delovala v okviru omejitev moči brezžičnega senzorskega sistema. Dejansko je zagotavljanje podaljšane življenjske dobe baterije še vedno izziv za razvijalce vseh brezžičnih senzorskih sistemov. To je še posebej pomembno v industrijskih in avtomobilskih aplikacijah, kjer je dostop do senzorjev lahko otežen. V sistemu CbM, od katerega se pričakuje, da bo izvajal CNN sklepanje, postajata upravljanje baterije in energije vse bolj kritična. Izziv je v usklajevanju več regulatorjev, sekvencerjev in sistemov polnjenja, da se zmanjša poraba energije in hkrati zagotovi stabilno delovanje.
Razvojni kit omogoča direktno zamenljivo brezžično rešitev CbM rešitev z AI na rpbu
Komplet EV-CBM-VOYAGER4-1Z [2] Voyager 4 podjetja Analog Devices rešuje izzive pri uvajanju brezžičnega CbM z robno umetno inteligenco, saj ponuja popolno platformo za nadzor vibracij na baterijski pogon za stalno preverjanje tehnologije CbM ali takojšnjo uporabo v aplikacijah za prediktivno vzdrževanje. Komplet je zasnovan tako, da prenese zahtevne pogoje, saj uporablja navpični nosilec (slika 1, zgoraj), ki trdno drži glavno tiskano vezje na eni strani in baterijo na drugi. Napajalna plošča in senzorji so nameščeni na dnu nosilca, blizu vira vibracij, ki ga je treba nadzorovati. Za namestitev se vertikalni nosilec namesti v zaščitno aluminijasto ohišje (slika 1, spodaj) s premerom 46 milimetrov (mm) in višino 77 mm. Ohišje je pokrito z akrilnim pokrovom ABS, ki omogoča povezljivost BLE.
Brezžični senzorski sistem, zasnovan na mikrokontrolerju (MCU) Analog Devices MAX32666 [3] BLE in mikrokontrolerju Analog Devices MAX78000EXG+ AI [4], vključuje celovit nabor naprav z nizko porabo energije za natančno merjenje vibracij in zaznavanje anomalij z daljšo življenjsko dobo baterije (slika 2).
Za merjenje vibracij Voyager 4 uporablja triosni merilnik pospeška ADXL382-1BCCZ-RL7 [5] podjetja Analog Devices, ki združuje senzorje mikroelektromehanskih sistemov (MEMS), analogni vhodni del (AFE) in 16-bitni analogno-digitalni pretvornik (ADC). Ta naprava z merilno pasovno širino 8 kilohercev (kHz) je zasnovana za natančne meritve tudi v okoljih z visokimi vibracijami. Je primerna za nizkoenergetske zasnove, saj porabi le 520 mikroamperov (μA) v visoko zmogljivem načinu s pasovno širino 8 kHz ali le 32 μA v nizkoenergetskem načinu s pasovno širino 400 Hz.
V sistemski zasnovi Voyager 4 se izhod ADXL382 prenese na CMOS stikalo Analog Devices ADG1634BCPZ-REEL7 [6], ki ga nadzira MAX32666 BLE MCU. Kombinacija tega BLE MCU in ultra nizkoenergijskega MEMS pospeškometra ADXL367BCCZ-RL7 [7] podjetja Analog Devices igra osrednjo vlogo v načinih delovanja Voyager 4 (slika 3).
Med operacijami usposabljanja (pot „a“ na sliki 3) mikrokontroler MAX32666 posreduje surove podatke o vibracijah iz ADXL382-1BCCZ-RL7 za prenos v gostiteljski sistem uporabnika prek radia MAX32666 BLE ali prek USB-priključka Voyager 4. Kot bo pojasnjeno kasneje v tem članku, ta način delovanja zagotavlja podatke za usposabljanje, potrebne za ustvarjanje prilagojenih modelov sklepanja, na katerih temelji umetna inteligenca na robu za CbM.
Med operacijami zaznavanja anomalij (pot „b“ na sliki 3) AI MCU MAX78000EXG+ Voyager 4 uporabi svojo neposredno povezavo z ADXL382-1BCCZ-RL7 za branje surovih podatkov o vibracijah in izvajanje prilagojenega modela sklepanja z integriranim pospeševalnikom CNN za napovedovanje anomalij. Če rezultati sklepanja kažejo na prisotnost anomalije, MAX78000EXG+ izda opozorilo, ki ga MAX32666 BLE MCU posreduje uporabniku, da lahko ustrezno ukrepa.
Če ni zaznana nobena anomalija, senzor preide v stanje mirovanja. V tem mirovanju merilnik pospeška ADXL367BCCZ-RL7 porabi le 180 nanoamperov (nA) v načinu prebujanja, ki se aktivira ob gibanju, ko vibracije presežejo nastavljivo mejno vrednost. Ko se aktivira ta način prebujanja, ki ga sproži gibanje, ADXL367BCCZ-RL7 prebudi mikroprocesor MAX32666 BLE, ki začne nov cikel merjenja vibracij in sklepanja. Ta pristop pomaga zmanjšati porabo energije med normalnim delovanjem, saj omeji porabo energije radia BLE na treninge in opozorila o anomalijah (slika 4).
Učinkovito upravljanje z energijo je bistveno v napravi, namenjeni napovedovanju okvar kritičnih strojev in opreme. Poleg varčevanja z energijo na ravni sistema, ki ga omogoča Voyager 4 s svojo funkcijo prebujanja, aktivirano z gibanjem, Voyager 4 vključuje integrirano vezje za upravljanje z energijo (PMIC) Analog Devices MAX20335BEWX+T [8], ki zagotavlja potrebno napetost. Poleg tega merilnik porabe energije Analog Devices MAX17262 [9] nadzira tok baterije in omogoča oceno življenjske dobe baterije. Med različnimi načini delovanja Voyager 4 lahko mikrokontroler MAX32666 vklopi ali izklopi posamezne izhode MAX20335BEWX+T, da se prilagodi posebnim potrebam po energiji in dodatno optimizira porabo energije.
Na ravni naprav je nizka poraba energije ključna lastnost posameznih naprav, ki se uporabljajo v kompletu Voyager 4. Na primer, mikrokontroler MAX32666 BLE potrebuje le 27,3 mikroampera na megahertz (μA/MHz) pri izvajanju iz predpomnilnika pri 3,3 voltih; mikrokontroler MAX78000EXG+ AI porabi 22,2 μA/MHz (med izvajanjem zanke) iz predpomnilnika pri 3,0 voltih, ko je aktiven njegov procesor Arm Cortex-M4. Poleg tega oba mikrokontrolerja vključujeta dinamični krmilnik za prilagajanje napetosti, ki dodatno zmanjša porabo energije aktivnega jedra.
Ta kombinacija optimizacije porabe energije na ravni sistema in naprave učinkovito zmanjša porabo energije med različnimi načini delovanja Voyager 4. V normalnem načinu zaznavanja anomalij je poraba energije Voyager 4 približno 0,3 milivatov (mW), senzor pa se aktivira enkrat na uro, kar pri tipičnih pogojih pomeni do dve leti življenjske dobe baterije z zmogljivostjo 1500 miliampernih ur (mAh). Nasprotno pa način usposabljanja zahteva obsežno uporabo radia BLE za prenos podatkov o vibracijah za uporabo v usposabljanju in validaciji modelov, kar povzroči porabo energije nad 0,65 mW (glejte ponovno sliko 4).
Usposabljanje in uvajanje modela za spremljanje vibracij za umetno inteligenco na robu
Usposabljanje modelov CNN je postalo relativno preprost proces, saj je na voljo veliko ustreznih programskih orodij. Pri usposabljanju modelov za aplikacije AI na robu omrežja pa so omejitve virov procesorjev na robu omrežja in mikrokontrolerjev spodbudile razvoj bolj specializiranih orodij, ustvarjenih za optimizacijo modelov za posamezne ciljne naprave. Analog Devices ponuja taka orodja v svojem GitHub repozitoriju AI on a Battery [10], ki uporabnike vodi skozi dokumentiran delovni tok. Analog Devices delovni tok modela razčleni na zaporedje treh stopenj in za vsako od njih ponuja namenski GitHub repozitorij (slika 5).
V začetni fazi repozitorij ai8x-training [11] ponuja podrobna, navodila korak za korakom za pripravo delovnega okolja in izvedbo usposabljanja s priloženo Python skriptno datoteko train.py [12]. V naslednji fazi repozitorij ai8x-synthesis [13] ponuja podobno podrobna navodila za nastavitev in delovanje orodij, ki se uporabljajo za pretvorbo usposobljenega modela v C kodo.
Ključni dejavnik za uspeh na področju umetne inteligence na robu omrežja je razumevanje zmogljivosti in omejitev ciljnega izvedbenega okolja CNN. V repozitorijih ai8x-training in ai8x-synthesis je Analog Devices vključil podrobni priročnik, ki razvijalcem pomaga razumeti razmerje med odločitvami o izvedbi modela CNN in zmogljivostmi mikrokontrolerja MAX7800x AI MCU.
Zadnja faza, dokumentirana v repozitoriju razvojnega kompleta programske opreme [14], vsebuje navodila in orodja za razvoj ugnezdene programske opreme, ki vključuje model sklepanja za ciljni mikrokontroler MAX7800x. Po ustvarjanju ugnezdene programske opreme jo uporabniki naložijo v Voyager 4 prek žične ali brezžične posodobitve. Na tej točki se lahko uporabnik poveže z Voyager 4 prek BLE in izda ukaze z grafičnim uporabniškim vmesnikom (GUI) Python, ki teče na gostitelju Windows. V normalnem načinu delovanja AI MCU izvaja sklepanje po navodilih MAX32666 BLE MCU ali samodejno ob prebujanju.
Zaključek
Nenačrtovani izpad zaradi okvare opreme povečuje stroške in tveganje. Čeprav lahko CbM pomaga zmanjšati stroške in tveganje s predvidljivim vzdrževanjem, je zasnova ustreznih brezžičnih senzorskih sistemov z analizo še vedno zapletena.
Brezžični razvojni komplet za vrednotenje vibracij Voyager 4 podjetja Analog Devices ponuja rešitev, ki premaga te izzive in omogoča hitro uvajanje predvidljivega vzdrževanja z natančnim zaznavanjem, učinkovito porabo energije, brezžično povezljivostjo in robustno obdelavo z umetno inteligenco na robu omrežja.
Viri:
1: https://www.digikey.com/en/supplier-centers/analog-devices
- https://www.digikey.com/en/products/detail/analog-devices-inc/EV-CBM-VOYAGER4-1Z/25902739
- https://www.digikey.com/en/products/filter/microcontrollers/685?s=N4IgjCBcpgnAHLKoDGUBmBDANgZwKYA0IA9lANogAMIAugL7EC0ATMiGpAC4BOArkVIUQSBoxBtIlALIBBABoBmFgDY1dekA
4: https://www.digikey.com/en/product-highlight/m/maxim-integrated/max78000-arm-cortex-m4-processor
5: https://www.digikey.com/en/products/detail/analog-devices-inc/ADXL382-1BCCZ-RL7/25578643
6: https://www.digikey.com/en/products/detail/analog-devices-inc/ADG1634BCPZ-REEL7/2264655
10: https://github.com/MaximIntegratedAI
11: https://github.com/analogdevicesinc/ai8x-training
12: https://github.com/analogdevicesinc/ai8x-training/blob/develop/train.py
13: https://github.com/analogdevicesinc/ai8x-synthesis
