Implementierung einer Edge-KI-Drop-In-Lösung zur Verbesserung der drahtlosen zustandsbasierten Überwachung

Die zustandsbasierte Überwachung (CbM) trägt dazu bei, Geräteausfälle durch vorausschauende Wartung zu verhindern. Die Entwicklung eines effektiven Systems erfordert jedoch in der Regel die optimale Integration von Präzisionssensoren, rauscharmen Signalketten, Energiemanagement und drahtloser Vernetzung. Dies sind komplexe Funktionen, die die Einführung der zustandsbasierten Überwachung verzögern und verteuern können. Entwickler erkennen auch die Vorteile von Analysen mit künstlicher Intelligenz (KI) am Netzwerkrand (Edge), was die zustandsbasierte Überwachung weiter verkompliziert. Was wir brauchen, ist eine einfachere und wirksamere Lösung.

Dieser Artikel gibt einen kurzen Überblick über die zustandsbasierte Überwachung. Anschließend wird eine Drop-in-Lösung von Analog Devices vorgestellt, die den sofortigen Einsatz von drahtloser zustandsbasierter Überwachung mit Edge-KI ermöglicht.

Warum zustandsorientierte Überwachung wichtig ist

Ungeplante Ausfallzeiten sind nach wie vor eine große Herausforderung für die Aufrechterhaltung einer hohen Effektivität der Betriebsanlagen. Ein einziger unerwarteter Ausfall eines kritischen Geräts kann ganze Produktionslinien zum Stillstand bringen, Lieferketten unterbrechen und zu teuren Serviceeinsätzen führen. Herkömmliche Wartungsansätze mit reaktiven Reparaturen nach einem Ausfall oder starr geplanten Wartungsintervallen haben ihre Nachteile: Reaktive Wartung führt zu kostspieligen Ausfallzeiten, während die planmäßige Wartung Ressourcenkosten durch den unnötigen Austausch von Komponenten verursacht, die weiterhin funktionsfähig sind.

Zustandsorientierte Überwachung ermöglicht die Einführung kosteneffizienterer vorausschauender Wartungsmethoden. Durch die Überwachung von Vibrationen, Temperatur, Stromstärke oder anderen Leistungsindikatoren können Anlagenbetreiber frühzeitige Warnzeichen für eine Verschlechterung der Komponenten erkennen, bevor es zu einem Ausfall kommt. Dieser datengesteuerte Ansatz reduziert ungeplante Ausfallzeiten, verlängert die Lebensdauer der Geräte und senkt die Gesamtbetriebskosten.

Trotz aller Vorteile kann die Einführung von zustandsorientierter Überwachung aufgrund der Komplexität der Anforderungen und des erforderlichen Expertenwissens in verschiedenen Bereichen ins Stocken geraten. Die Bewältigung dieser Herausforderungen stellt ein erhebliches Hindernis für die erfolgreiche Anwendung von durch zustandsorientierter Überwachung gestützter vorausschauender Wartung für industrielle und Automobilhersteller dar.

Herausforderungen und Anforderungen bei der zustandsorientierten Überwachung

Damit zustandsorientierte Überwachung sein volles Potenzial entfalten kann, müssen Lösungen für die zustandsorientierte Überwachung in anspruchsvollen Industrie- und Automobilumgebungen zuverlässig funktionieren und zeitnahe Analysen auf der Grundlage präziser Messdaten liefern. Die Beschaffenheit dieser Zielumgebungen stellt jedoch eine erhebliche mechanische und umweltbedingte Belastung für die Messgeräte dar, selbst bei normalem Betrieb der überwachten Ausrüstung. Industriemotoren, Antriebsstränge und schwere rotierende Geräte setzen Überwachungsgeräte ständigen Vibrationen, Stößen, extremen Temperaturen und starken elektromagnetischen Störungen (EMI) aus.

Um eine zuverlässige vorausschauende Wartung zu ermöglichen, müssen Schwingungssensoren in Geräten für die zustandsorientierte Überwachung in der Lage sein, die subtileren Veränderungen zu erkennen, die oft die ersten Hinweise auf eine Unwucht, eine Fehlausrichtung oder einen Lagerverschleiß liefern. Um hochpräzise Schwingungsmessungen trotz rauer Umgebungsbedingungen zu gewährleisten, ist ein rauscharmes Sensorsignal-Erfassungs-Subsystem mit hoher Bandbreite erforderlich, das auch in schwierigen Betriebsumgebungen eine stabile Leistung bietet.

Das Herzstück der Methoden für die zustandsorientierte Überwachung, die Schwingungsanalyse, bildet die Grundlage für die Erkennung von Mustern, die den Normalbetrieb von Frühindikatoren für Störungen unterscheiden. In der Vergangenheit haben Vibrationssensorsysteme ihre Messungen zur Analyse an einen zentralen Host oder eine Cloud-basierte Ressource weitergeleitet. Moderne Lösungen für die zustandsorientierte Überwachung verlagern die Analyse jedoch zunehmend an den Netzwerkrand. Durch die Analyse von Daten innerhalb oder in der Nähe des Sensorsystems werden Ergebnisse mit minimaler Latenzzeit generiert und der Datenverkehr in zeitkritischen Industrie- und Automobilnetzen reduziert.

Insbesondere die KI-Inferenz auf der Grundlage von CNN-Modellen (Convolutional Neural Network) ermöglicht die Interpretation von Schwingungsänderungen in Echtzeit. Die Inferenz mit CNN ist jedoch rechenintensiv, was das Ziel, zustandsorientierte Überwachung zu implementieren, ohne die Grenzen der Systemleistung, -größe oder -kosten zu überschreiten, weiter erschwert.

Die Notwendigkeit, den Stromverbrauch zu minimieren, wird umso dringlicher, je mehr zustandsorientierte Überwachung in rotierenden Geräten oder in abgelegenen oder mobilen Geräten eingesetzt wird, bei denen eine Kabelverbindung unpraktisch ist. Bei der Erfüllung der Anforderungen an drahtlose Verbindungen in diesen Fällen bietet Bluetooth Low Energy (BLE) die erforderliche Kombination aus Reichweite, Leistung und Zuverlässigkeit im Vergleich zu alternativen Verbindungsoptionen (Tabelle 1).

Tabelle 1: Unter den drahtlosen Netzwerkstandards bietet BLE eine Kombination von Eigenschaften, die für die drahtlose Schwingungsüberwachung geeignet sind. (Quelle der Tabelle: Analog Devices)

Wie bei der Edge-KI-Verarbeitung besteht die Herausforderung jedoch darin, eine BLE-Netzwerklösung zu finden, die mit den Energiebeschränkungen eines drahtlosen Sensorsystems vereinbar ist. Die Sicherstellung einer langen Batterielebensdauer ist nach wie vor eine Herausforderung für die Entwickler von drahtlosen Sensorsystemen. Besonders wichtig ist dies jedoch bei industriellen und automobilen Anwendungen, bei denen Sensoren schwer zu erreichen sein können. In einem System zur zustandsorientierten Überwachung, das CNN-Inferenzen durchführen soll, werden sowohl das Batterie- als auch das Energiemanagement immer wichtiger. Die Herausforderung besteht darin, mehrere Regler, Sequenzer und Ladesysteme zu koordinieren, um den Stromverbrauch zu senken und gleichzeitig einen stabilen Betrieb zu gewährleisten.

Evaluierungskit bietet eine drahtlose Lösung für die zustandsorientierte Überwachung mit Edge-KI

Das Voyager-4-Kit EV-CBM-VOYAGER4-1Z von Analog Devices löst die Herausforderungen beim Einsatz von drahtloser zustandsorientierter Überwachung mit Edge-KI, indem es eine vollständige batteriebetriebene Schwingungsüberwachungsplattform für die laufende Evaluierung der Technologie oder den sofortigen Einsatz in vorausschauenden Wartungsanwendungen bietet. Das Kit ist so konzipiert, dass es rauen Umgebungsbedingungen standhält. Es verwendet einen vertikalen Abstandhalter (Abbildung 1, oben), der die Hauptplatine auf der einen Seite und eine Batterie auf der anderen Seite festhält. Eine Stromversorgungsplatine und Sensoren befinden sich an der Unterseite des Abstandshalters, in der Nähe der zu überwachenden Schwingungsquelle. Zum Einsatz wird die vertikale Abstandshalterbaugruppe in ein schützendes Aluminiumgehäuse (Abbildung 1, unten) mit einem Durchmesser von 46 Millimetern (mm) und einer Höhe von 77 mm eingesetzt. Das Gehäuse ist mit einem Deckel aus ABS-Acryl versehen, der die BLE-Vernetzung ermöglicht.

Abbildung 1: Die robuste Baugruppe und das Schutzgehäuse des Voyager 4 ermöglichen eine zuverlässige drahtlose zustandsorientierte Überwachung mit Edge-KI in rauen Umgebungen. (Bildquelle: Analog Devices)

Das drahtlose Sensorsystem basiert auf dem BLE-Mikrocontroller (MCU) MAX32666 von Analog Devices und einer AI-MCU MAX78000EXG+ von Analog Devices und integriert eine umfassende Reihe von stromsparenden Komponenten zur präzisen Schwingungsmessung und Anomalieerkennung mit langer Batterielebensdauer (Abbildung 2).

Abbildung 2: Durch die Kombination mehrerer stromsparender Komponenten bietet Voyager 4 die Kombination aus Sensorik, Verarbeitung und Vernetzung, die für eine drahtlose Edge-KI-Lösung für die zustandsorientierte Überwachung erforderlich ist. (Bildquelle: Analog Devices)

Für die Vibrationsmessung verwendet der Voyager 4 den dreiachsigen Beschleunigungsmesser ADXL382-1BCCZ-RL7 von Analog Devices, der MEMS-Sensoren, ein analoges Frontend (AFE) und einen 16-Bit-Analog/Digital-Wandler (ADC) kombiniert. Mit einer Messbandbreite von 8 Kilohertz (kHz) ist diese Einheit so konzipiert, dass sie selbst in Umgebungen mit starken Vibrationen genaue Messungen liefert. Sie eignet sich gut für stromsparende Designs und verbraucht nur 520 Mikroampere (μA) im Hochleistungsmodus mit 8 kHz Bandbreite oder nur 32 μA im Low-Power-Modus mit 400 Hz Bandbreite.

Im Systemdesign des Voyager 4 geht der Ausgang des ADXL382 an den CMOS-Schalter ADG1634BCPZ-REEL7 von Analog Devices, der von der BLE-MCU MAX32666 gesteuert wird. Die Kombination aus dieser BLE-MCU und einem stromsparenden MEMS-Beschleunigungssensor ADXL367BCCZ-RL7 von Analog Devices spielt eine zentrale Rolle bei den Betriebsmodi des Voyager 4 (Abbildung 3).

Abbildung 3: Die Betriebsmodi des Voyager 4 gewährleisten eine effiziente Generierung von Trainingsdaten und Echtzeit-Inferenz und zeigen, wie Edge-KI die vorausschauende Wartung unterstützen kann, ohne auf Cloud-Ressourcen angewiesen zu sein. (Bildquelle: Analog Devices)

Während des Trainingsbetriebs (Pfad „a“ in Abbildung 3) kanalisiert die MCU MAX32666 rohe Vibrationsdaten vom ADXL382-1BCCZ-RL7 zur Übertragung an das Hostsystem des Benutzers über die BLE-Funkkomponente MAX32666 oder über den USB-Anschluss des Voyager 4. Wie später in diesem Artikel erläutert, liefert diese Betriebsart die Trainingsdaten, die für die Erstellung von benutzerdefinierten Inferenzmodellen benötigt werden, die der Edge-KI für die zustandsorientierte Überwachung zugrunde liegen.

Bei der Erkennung von Anomalien (Pfad „b“ in Abbildung 3) nutzt die AI-MCU MAX78000EXG+ des Voyager 4 ihre direkte Verbindung zum ADXL382-1BCCZ-RL7, um Schwingungsrohdaten zu lesen und ein benutzerdefiniertes Inferenzmodell mit dem integrierten CNN-Beschleuniger für die Anomalievorhersage auszuführen. Wenn die Ergebnisse der Inferenz auf das Vorhandensein einer Anomalie hinweisen, gibt der MAX78000EXG+ einen Alarm aus, den die BLE-MCU MAX32666 an den Benutzer weiterleitet, damit dieser Maßnahmen ergreifen kann.

Wird keine Anomalie festgestellt, geht der Sensor in den Ruhezustand über. In diesem Ruhezustand zieht der Beschleunigungssensor ADXL367BCCZ-RL7 im bewegungsaktivierten Wakeup-Modus nur 180 Nanoampere (nA) und wird ausgelöst, wenn die Vibration einen einstellbaren Schwellenwert überschreitet. Wenn diese bewegungsaktivierte Aufweckung erfolgt, weckt der ADXL367BCCZ-RL7 wiederum die BLE-MCU MAX32666 auf, die einen neuen Vibrationsmess- und Inferenzzyklus einleitet. Dieser Ansatz trägt dazu bei, den Stromverbrauch im Normalbetrieb zu minimieren und die stromintensive BLE-Funknutzung auf Trainingssitzungen und Anomaliewarnungen zu beschränken (Abbildung 4).

Abbildung 4: Bewegungsaktiviertes Aufwachen und die selektive Nutzung des BLE-Funks tragen dazu bei, die Akkulaufzeit des Voyager 4 zu verlängern. (Bildquelle: Analog Devices)

Ein wirksames Energiemanagement ist für ein Gerät, das Ausfälle von kritischen Maschinen und Anlagen vorhersagen soll, von entscheidender Bedeutung. Neben den Energieeinsparungen auf Systemebene, die durch den bewegungsaktivierten Wakeup-Betrieb des Voyager 4 ermöglicht werden, ist im Voyager 4 ein integrierter Energiemanagement-Schaltkreis (PMIC) MAX20335BEWX+T von Analog Devices integriert, der die erforderliche Versorgungsspannung liefert. Darüber hinaus überwacht die Komponente zur Ladezustandserfassung MAX17262 von Analog Devices den Batteriestrom und unterstützt die Abschätzung der Batterielebensdauer. Während der verschiedenen Betriebsmodi des Voyager 4 kann die MCU MAX32666 einzelne MAX20335BEWX+T-Ausgänge aktivieren oder deaktivieren, um den spezifischen Leistungsbedarf zu erfüllen und den Stromverbrauch weiter zu optimieren.

Auf der Ebene der Geräte ist der stromsparende Betrieb ein zentrales Merkmal der einzelnen Komponenten des Voyager-4-Kits. Die BLE-MCU MAX32666 benötigt beispielsweise nur 27,3 Mikroampere pro Megahertz (μA/MHz), wenn sie bei 3,3 Volt aus dem Cache ausgeführt wird; die AI-MCU MAX78000EXG+ verbraucht 22,2 μA/MHz (während der Schleifenausführung) aus dem Cache bei 3,0 Volt, wenn ihr Arm®-Cortex®-M4-Kernprozessor aktiv ist. Darüber hinaus verfügen beide MCUs über einen dynamischen Spannungsskalierungs-Controller, der die Leistungsaufnahme des aktiven Kerns weiter minimiert.

Diese Kombination aus Energieoptimierung auf System- und Komponentenebene minimiert den Stromverbrauch in den verschiedenen Betriebsmodi des Voyager 4. Im normalen Modus zur Erkennung von Anomalien liegt der Stromverbrauch des Voyager 4 bei etwa 0,3 Milliwatt (mW), wenn der Sensor einmal pro Stunde aktiv ist. Das entspricht einer Batterielebensdauer von bis zu zwei Jahren bei einer Batterie mit 1500 Milliamperestunden (mAh) unter typischen Bedingungen. Im Gegensatz dazu erfordert der Trainingsmodus eine intensive Nutzung der BLE-Funkkomponente zur Übertragung von Vibrationsdaten für das Training und die Validierung des Modells, was zu einer Leistungsaufnahme von über 0,65 mW führt (siehe Abbildung 4).

Training und Einsatz eines Vibrationsüberwachungsmodells für Edge-KI

Das Training von CNN-Modellen ist mit der breiten Verfügbarkeit geeigneter Softwaretools zu einem relativ unkomplizierten Prozess geworden. Beim Training von Modellen für Edge-KI-Anwendungen haben jedoch die Ressourcenbeschränkungen von Edge-Prozessoren und MCUs die Entwicklung speziellerer Tools vorangetrieben, die zur Optimierung von Modellen für einzelne Zielgeräte entwickelt wurden. Analog Devices stellt solche Tools in seinem GitHub-Repository AI on a Battery zur Verfügung, das Benutzer durch einen dokumentierten Arbeitsablauf führt. Analog Devices gliedert den Modellierungsworkflow in eine Abfolge von drei Phasen und stellt für jede ein eigenes GitHub-Repository zur Verfügung (Abbildung 5).

Abbildung 5: Ein strukturierter Arbeitsablauf mit speziellen Repositories für Tools und Anleitungen hilft Entwicklern bei der Optimierung von CNN-Modellen für die AI-MCU MAX78000EXG+ und ermöglicht so eine praktische AI-gesteuerte zustandsorientierte Überwachung auf Geräten mit eingeschränktem Stromverbrauch. (Bildquelle: Analog Devices)

In der Anfangsphase bietet das Repository ai8x-training detaillierte, schrittweise Anleitungen zur Vorbereitung der Arbeitsumgebung und zur Durchführung des Trainings mit dem enthaltenen Python-Skript train.py. In der nächsten Phase bietet das Repository ai8x-synthesis eine ähnlich detaillierte Anleitung für die Einrichtung und den Betrieb der Werkzeuge, die zur Umwandlung eines trainierten Modells in C-Code verwendet werden.

Ein entscheidender Faktor für den Erfolg der Edge-KI ist das Verständnis der Fähigkeiten und Grenzen der Zielumgebung für die CNN-Ausführung. In den Repositories ai8x-training und ai8x-synthesis stellt Analog Devices ein detailliertes Tutorial zur Verfügung, das Entwicklern hilft, den Zusammenhang zwischen den Entscheidungen zur Implementierung des CNN-Modells und den Fähigkeiten der AI-MCU MAX7800x zu verstehen.

Die letzte Phase, die im Software Development Kit Repository dokumentiert ist, enthält die Anweisungen und Tools zur Entwicklung von Firmware, die das Inferenzmodell für die Ziel-MCU MAX7800x einbettet. Nachdem die Firmware generiert wurde, können die Benutzer sie über ein kabelgebundenes oder drahtloses Update auf den Voyager 4 laden. An diesem Punkt kann sich der Benutzer über BLE mit dem Voyager 4 verbinden und über eine grafische Python-Benutzeroberfläche (GUI), die auf einem Windows-Host läuft, Befehle erteilen. Im normalen Betriebsmodus führt die AI-MCU die Inferenz auf Anweisung der BLE-MCU MAX32666 oder automatisch beim Aufwachen durch.

Fazit

Ungeplante Ausfallzeiten aufgrund von Geräteausfällen verursachen Kosten und Risiken. Obwohl zustandsorientierte Überwachung dazu beitragen kann, Kosten zu senken und Risiken durch vorausschauende Wartung zu mindern, bleibt die Entwicklung geeigneter drahtloser Sensorsysteme mit Analyse komplex. Das Voyager-4-Evaluierungskit von Analog Devices bietet eine Drop-in-Lösung, die diese Herausforderungen meistert und eine schnelle Einführung der vorausschauenden Wartung mit präziser Sensorik, effizienter Energienutzung, kabelloser Vernetzung und robuster Verarbeitung mit Edge-KI ermöglicht.