Verwendung eines Stromsensors zur effizienten Erfassung von Daten für die vorbeugende Wartung mit KI

Das Internet der Dinge (Internet of Things, IoT) hat ein enormes Interesse am Einsatz von Technologien der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) geweckt, um den Zustand von Maschinen, einschließlich Motoren, Generatoren und Pumpen, zu überwachen und Wartungstechniker bei drohenden Problemen zu alarmieren. Eine Schwierigkeit für die Entwickler von KI/ML-Systemen, die diese Art der vorbeugenden Wartung implementieren wollen, ist die Auswahl des besten Sensors für die Anwendung. Ein weiteres Problem ist, dass relativ wenige Entwickler Erfahrung mit der Erstellung von KI/ML-Anwendungen haben.

Um die Daten für das KI/ML-System zu erhalten, auf die das System reagieren soll, entscheiden sich Entwickler oft für hochentwickelte Sensoren wie dreiachsige Beschleunigungsmesser in Verbindung mit leistungsstarken Mikrocontroller-Entwicklungsplattformen. In vielen Fällen ist es jedoch möglich, das gewünschte Ziel mit einem einfachen Stromsensor in Verbindung mit einer bescheideneren und weniger kostspieligen Mikrocontroller-Entwicklungsplattform zu erreichen.

Dieser Artikel stellt die Idee vor, einen Strommesswandler zu verwenden, um die Daten zu erhalten, die für eine einfache und kostengünstige Implementierung von KI/ML-Anwendungen erforderlich sind. Unter Verwendung einer kostengünstigen Arduino-IoT-Mikrocontroller-Entwicklungsplattform und eines Strommesswandlers von CR Magnetics stellt der Artikel auch eine einfache Schaltung vor, die den Stromsensor zur Überwachung des Zustands einer Vakuumpumpe mit integriertem Filter einsetzt und den Benutzer alarmiert, wenn der Filter verstopft ist. Schließlich gibt der Artikel einen Überblick über den Prozess der Entwicklung der zugehörigen KI/ML-Anwendung.

Einfache Sensoren für KI/ML

Um die Daten für eine KI/ML-Anwendung zu erfassen, entscheiden sich Entwickler oft für hochentwickelte Sensoren wie dreiachsige Beschleunigungsmesser; aber diese Art von Sensoren kann riesige Datenmengen erzeugen, die schwer zu manipulieren und zu verstehen sind. Um diese Komplexität zu vermeiden, sollte man daran denken, dass alles miteinander verbunden ist. Genauso wie eine Verletzung an einem Körperteil einer Person Schmerzen verursachen kann, die an anderer Stelle im Körper wahrgenommen werden, kann ein defektes Lager in einem Motor den Strom verändern, der zum Antrieb dieses Motors verwendet wird. In ähnlicher Weise kann ein blockierter Lufteinlass nicht nur eine Überhitzung verursachen, sondern auch den Strom verändern, mit dem der Motor angetrieben wird.

Folglich kann die Überwachung eines Aspekts des Betriebs einer Maschine Licht auf andere Facetten ihrer Funktionsweise werfen. Und dies bedeutet auch, das das gewünschte Überwachungs- und Erfassungsziel durch Beobachtung eines verwandten Parameters mit einem wesentlich einfacheren Sensor erreicht werden kann, wie z.B. dem kostengünstigen, kleinen Strommesswandler CR3111-3000 von CR Magnetics mit geteiltem Kern (Abbildung 1).

Abbildung 1: Der Strommesswandler CR3111-3000 mit geteiltem Kern bietet einen kostengünstigen, einfach zu verwendenden Stromdetektor, der als Primärsensor in einer KI/ML-Anwendung zur vorbeugenden Wartung eingesetzt werden kann. (Bildquelle: CR Magnetics)

Der CR3111-3000 kann zur Erfassung von Strömen bis zu 100 Ampere (A) verwendet werden (andere Mitglieder der CR31xx-Familie können für niedrigere oder höhere Stromwerte eingesetzt werden). Alle Mitglieder der Familie unterstützen einen Frequenzbereich von 20 Hertz (Hz) bis 1 Kilohertz (kHz), der die Mehrzahl der industriellen Anwendungen abdeckt. Darüber hinaus verfügen alle CR31xx-Komponenten über ein Scharnier und einen Verriegelungsschnapper, mit denen sie ohne Unterbrechung des stromführenden Drahtes befestigt werden können.

Der Arduino Nano 33 IoT

Ein Beispiel für eine kostengünstige Mikrocontroller-Entwicklungsplattform, die für das Prototyping einfacher KI/ML-Anwendungen geeignet ist, ist der ABX00032 Arduino Nano 33 IoT von Arduino (Abbildung 2). Der Arduino Nano 33 IoT verfügt über einen bei 48 Megahertz (MHz) betriebenen 32-Bit-Arm®-Cortex®-M0+-Prozessor ATSAMD21G18A, 256 Kilobyte (KByte) Flash-Speicher und 32 KByte SRAM. Der Arduino Nano 33 IoT ist zudem für Wi-Fi- und Bluetooth-Vernetzung ausgelegt.

Abbildung 2: Der Arduino ABX00032 Nano 33 IoT bietet eine kostengünstige Plattform, auf der KI/ML-Anwendungen aufgebaut werden können, um bestehende Geräte zu verbessern (und neue Geräte zu entwickeln), die Teil des IoT sein sollen. (Bildquelle: Arduino)

Datenerfassungskreis

Die für diese Diskussion verwendete Schaltung ist in Abbildung 3 unten dargestellt. Der CR3111-3000 wandelt den gemessenen Strom, der die Maschine antreibt, im Verhältnis 1000:1 in einen viel kleineren Strom um.

Abbildung 3: Der Schaltkreis, der verwendet wird, um den Ausgang des CR3111-3000 in eine Form umzuwandeln, die vom Arduino Nano 33 IoT mit seinen 3,3-Volt-Eingängen verwendet werden kann. (Bildquelle: Max Maxfield)

Der Widerstand R3, der über die sekundäre (Ausgangs-)Spule des CR3111-3000 geschaltet ist, fungiert als Lastwiderstand und erzeugt eine Ausgangsspannung, die proportional zum Widerstandswert ist, basierend auf der Menge des durch ihn fließenden Stroms.

Die Widerstände R1 und R2 wirken als Spannungsteiler und bilden eine „virtuelle Masse“ mit einem Wert von 1,65 Volt. Dadurch können die Werte des CR111-3000 positiv und negativ schwanken und bleiben trotzdem in einem erlaubten Bereich, da der Mikrocontroller keine negativen Spannungen akzeptieren kann. Kondensator C1 ist Teil eines RC-Rauschfilters, der das Rauschen der 3,3-Volt-Versorgung und nahegelegene Streufelder daran hindert, in die Messungen einzudringen, wodurch der Spannungsteiler als bessere Masse fungieren kann.

Eine Vakuumpumpe mit integriertem Filter wurde für einen Demonstrationsprüfstand verwendet. Für diesen Prototyp wurde ein 1 Fuß (ft.) langes Verlängerungsnetzkabel P006-001 von Tripp Lite zwischen dem Netzteil und der Vakuumpumpe eingefügt (Abbildung 4).

Abbildung 4: Das 1-Fuß-Verlängerungsnetzkabel, das zur Aufnahme des Stromsensors modifiziert wurde. (Bildquelle: Max Maxfield)

Die Prototypschaltung wurde mit Komponenten aus dem Ersatzteilschatz des Autors realisiert (Abbildung 5). Leicht verfügbare Äquivalente wären wie folgt:

• (1) Adafruit 64 Steckplatine
• (1) Kit TW-E012-000 von Twin Industries mit vorgeformten Drähten zur Verwendung mit Lochrasterplatinen
• (1) Durchkontaktierbarer Widerstand RNMF14FTC150R von Stackpole Electronics (150 Ohm (Ω) ±1%, 0,25 Watt (W))
• (2) Durchkontaktierbarer Widerstand RNF14FTD10K0 von Stackpole Electronics (10 Kiloohm (kΩ) ±1%, 0,25 Watt (W))
• (1) Aluminium-Elektrolytkondensator ESK106M063AC3FA von KEMET (10 Mikrofarad (µF), 63 Volt (V))

Abbildung 5: Die Prototyp-Schaltung wurde unter Verwendung einer kleinen Lochrasterplatine und Komponenten aus der Ersatzteilschatzkiste des Autors implementiert. (Bildquelle: Max Maxfield)

An die Leitungsenden vom Stromsensor wurden 22 bis 28 AWG Crimpstifte 1931 von Pololu Corp. gecrimpt. Diese Pins wurden anschließend in ein schwarzes rechteckiges 5 x 1 Gehäuse 1904 mit 0,1 Zoll (in) (2,54 Millimeter (mm)) Rastermaß, ebenfalls von Pololu, eingesetzt.

Erstellen der KI/ML-Anwendung

Um die KI/ML-Anwendung zu erstellen, wurde auf der Website von Cartesium eine kostenlose Testversion von NanoEdge AI Studio aufgerufen (siehe auch, „Künstliche Intelligenz auf einfache Weise in jedes industrielle System bringen„).

Wenn NanoEdge AI Studio gestartet wird, wird der Benutzer aufgefordert, ein neues Projekt zu erstellen und zu benennen. Der Benutzer wird dann nach dem verwendeten Prozessor (ein Arm Cortex-M0+ im Fall des Entwicklungsboards Arduino Nano 33 IoT), dem/den verwendeten Sensortyp(en) (in diesem Fall ein Stromsensor) und der maximalen Speichermenge, die für dieses KI/ML-Modell verwendet werden soll, gefragt (für diese Demonstration wurden 6 KByte ausgewählt).

Um das KI/ML-Modell zu erstellen, ist es zunächst notwendig, repräsentative Stichproben von guten und schlechten Daten zu erfassen (Abbildung 6). Es wurde ein einfaches Arduino-Sketch (Programm) erstellt, um Werte vom Stromsensor abzulesen. Diese Daten können „on-the-fly“ über den USB-Port des Mikrocontrollers direkt in NanoEdge AI Studio geladen werden. Alternativ können die Daten in einer Textdatei erfasst, bearbeitet (um fehlerhafte Proben am Anfang und Ende des Laufs zu entfernen) und dann in NanoEdge AI Studio geladen werden.

Abbildung 6: Vergleich von guten/normalen Daten (oben) und schlechten/abnormalen Daten (unten). Abgesehen von den Farbunterschieden scheinen diese für das menschliche Auge nicht schrecklich anders zu sein, aber ein geeignetes KI/ML-Modell kann zwischen ihnen unterscheiden. (Bildquelle: Max Maxfield)

Die guten Daten wurden bei laufender Vakuumpumpe im Normalbetrieb erhoben. Um die schlechten Daten zu sammeln, wurde der Luftfilter der Pumpe mit einer Papierscheibe verstopft.

Unter Verwendung der guten und schlechten Daten generiert NanoEdge AI Studio die beste KI/ML-Bibliothekslösung aus 500 Millionen möglichen Kombinationen. Sein laufender Prozess wird auf verschiedene Weise dargestellt, u.a. in einem Streudiagramm, das zeigt, wie gut die normalen Signale (blau) von den anormalen Signalen (rot) in Bezug auf einen Schwellenwert unterschieden werden, der in diesem Beispiel auf 90% gesetzt wurde (Abbildung 7).

Abbildung 7: NanoEdge AI Studio wertet bis zu 500 Millionen verschiedene KI/ML-Modelle aus, um die optimale Konfiguration für die normalen und anormalen Daten zu bestimmen. Die anfänglichen Modelle sind selten erfolgreich (oben), aber das Werkzeug iteriert automatisch immer bessere Lösungen, bis der Entwickler beschließt, die Entwicklung zu stoppen (unten). (Bildquelle: Max Maxfield)

Die frühen Modelle finden es in der Regel schwierig, zwischen normalen und anormalen Daten zu unterscheiden, aber das System wertet verschiedene Kombinationen von algorithmischen Elementen aus und iteriert auf immer genaueren Lösungen. In diesem Fall wurde der Prozess gestoppt, nachdem 58.252 Bibliotheken ausgewertet worden waren. Die resultierende Bibliothek (Modell) war nur 2 KByte groß.

Es ist wichtig, darauf hinzuweisen, dass das Modell in diesem Stadium in seiner untrainierten Form vorliegt. Viele verschiedene Faktoren können die Art und Weise beeinflussen, in der die Maschinen laufen. Zum Beispiel könnten zwei scheinbar identische Vakuumpumpen an verschiedenen Orten montiert werden - zum Beispiel eine auf einer Betonplatte und die andere auf einem Hängeboden. Oder eine der Maschinen könnte sich in einer heißen, feuchten Umgebung befinden, während die andere in einer kalten, trockenen Umgebung steht. Darüber hinaus könnte das eine mit langen Metallrohren verbunden worden sein, während das andere an kurzen Kunststoffrohren befestigt ist.

Daher besteht der nächste Schritt darin, die Bibliothek in die Anwendungen zu integrieren, die auf den Mikrocontrollern und Sensoren laufen, die an Maschinen angebracht sind, die in der realen Welt eingesetzt werden. Die KI/ML-Modelle auf den verschiedenen Maschinen trainieren sich dann selbst mit guten Daten aus diesen realen Installationen. Nach dieser Selbstschulungsphase kann es den KI/ML-Modellen überlassen werden, den Gesundheitszustand der Maschinen zu überwachen, nach Anomalien und Trends zu suchen und ihre Ergebnisse und Vorhersagen den menschlichen Vorgesetzten zu melden.

Fazit

Die vorausschauende Wartung mit KI/ML ermöglicht es den Ingenieuren, Probleme zu adressieren, bevor es tatsächlich zu Ausfällen kommt. Die Hardware, die für die Implementierung des vorausschauenden Wartungssystems verwendet wird, muss jedoch so einfach und kostengünstig wie möglich sein; außerdem benötigen die Entwickler leichten Zugang zu der für die Durchführung der Analyse erforderlichen Software.

Wie gezeigt, kann, anstatt sich für einen komplexen Mehrachsen-Beschleunigungsmesser und die zugehörige Hardware zu entscheiden, ein einfacher, kostengünstiger, kleiner Stromwandler CR3111-3000 mit geteiltem Kern, der mit einer kostengünstigen Mikrocontroller-Plattform verbunden ist, die erforderliche Abtastung und Datenerfassung durchführen. In Verbindung mit Fortschritten bei KI/ML-Tools und -Algorithmen ist es nun auch für Nicht-KI/ML-Experten möglich, anspruchsvolle KI/ML-Modelle zu erstellen, die in einer Vielzahl von einfachen und komplexen Sensorikanwendungen eingesetzt werden können.