Utiliser un capteur de courant pour l'acquisition efficace des données pour la maintenance prédictive avec IA

L'Internet des objets (IoT) a suscité un intérêt considérable en termes d'utilisation de technologies d'intelligence artificielle (IA) et d'apprentissage automatique (Machine Learning, ML) pour surveiller l'état des machines, y compris les moteurs, les générateurs et les pompes, et pour alerter les ingénieurs de maintenance de tout problème imminent. L'une des difficultés pour les concepteurs de systèmes IA/ML qui cherchent à mettre en œuvre ce type de maintenance prédictive est de sélectionner le meilleur capteur pour l'application. Un autre problème est que relativement peu de concepteurs ont une expérience en création d'applications IA/ML.

Pour obtenir les données nécessaires au fonctionnement d'un système IA/ML, les concepteurs optent souvent pour des capteurs sophistiqués comme des accéléromètres à trois axes couplés à des plateformes de développement de microcontrôleurs haute puissance. Dans de nombreux cas, cependant, il est possible d'atteindre l'objectif souhaité en utilisant un simple capteur de courant associé à une plateforme de développement de microcontrôleurs plus modeste et moins coûteuse.

Cet article présente l'idée d'utiliser un transformateur de mesure de courant pour obtenir les données nécessaires à la mise en œuvre simple et rentable d'applications IA/ML. Utilisant une plateforme de développement de microcontrôleurs IoT à faible coût d'Arduino et un transformateur de mesure de courant de CR Magnetics, l'article présente également un circuit simple qui utilise le capteur de courant pour surveiller l'état d'une pompe à vide avec un filtre intégré, alertant l'utilisateur lorsque le filtre est bouché. Enfin, l'article présente un aperçu du processus de création de l'application IA/ML associée.

Capteurs simples pour IA/ML

Afin d'acquérir les données nécessaires au fonctionnement d'une application IA/ML, les concepteurs optent souvent pour des capteurs sophistiqués comme les accéléromètres à trois axes ; mais ce type de capteur peut générer de vastes quantités de données difficiles à gérer et à comprendre. Pour éviter cette complexité, il est bon de rappeler que tout est lié. Tout comme une blessure à une partie du corps d'une personne peut provoquer des douleurs ressenties dans d'autres parties du corps, un roulement défectueux dans un moteur peut modifier le courant utilisé pour entraîner ce moteur. De même, en plus de provoquer une surchauffe, une admission d'air bloquée peut également modifier le courant utilisé pour entraîner le moteur.

Par conséquent, la surveillance d'un aspect du fonctionnement d'une machine peut mettre en lumière d'autres facettes de son fonctionnement. Cela signifie qu'il est possible d'atteindre l'objectif de surveillance et de détection souhaité en observant un paramètre connexe à l'aide d'un capteur sensiblement plus simple, comme le transformateur de mesure de courant à pince compact et économique CR3111-3000 de CR Magnetics (Figure 1).

Figure 1 : Le transformateur de mesure de courant à pince CR3111-3000 est un détecteur de courant économique et facile à utiliser, qui peut être employé comme capteur primaire dans une application de maintenance prédictive IA/ML. (Source de l'image : CR Magnetics)

Le CR3111-3000 peut être utilisé pour détecter un courant jusqu'à 100 ampères (A) (d'autres membres de la gamme CR31xx peuvent être employés pour des valeurs de courant inférieures ou supérieures). Tous les membres de la gamme prennent en charge une plage de fréquences de 20 hertz (Hz) à 1 kilohertz (kHz), couvrant la majorité des applications industrielles. De plus, tous les dispositifs CR31xx sont dotés d'un mécanisme de verrouillage à charnière qui leur permet d'être reliés sans interrompre le fil conducteur.

Arduino Nano 33 IoT

Un exemple de plateforme de développement de microcontrôleurs à faible coût adaptée au prototypage d'applications IA/ML simples est l'ABX00032 Arduino Nano 33 IoT d'Arduino (Figure 2). Doté d'un processeur Arm® Cortex®-M0+ 32 bits ATSAMD21G18A fonctionnant à 48 mégahertz (MHz) avec 256 kilo-octets (Ko) de mémoire Flash et 32 Ko de SRAM, l'Arduino Nano 33 IoT est également équipé de la connectivité Wi-Fi et Bluetooth.

Figure 2 : L'Arduino ABX00032 Nano 33 IoT fournit une plateforme économique sur laquelle il est possible de créer des applications IA/ML pour améliorer les dispositifs existants (et en créer de nouveaux) devant faire partie de l'IoT. (Source de l'image : Arduino)

Circuit de capture de données

Le circuit utilisé pour les besoins de cette discussion est illustré ci-dessous à la Figure 3. Le CR3111-3000 transforme le courant mesuré qui alimente la machine en un courant beaucoup plus faible en utilisant un rapport 1000:1.

Figure 3 : Circuit utilisé pour convertir la sortie du CR3111-3000 en une forme pouvant être utilisée par l'Arduino Nano 33 IoT avec ses entrées de 3,3 volts (V). (Source de l'image : Max Maxfield)

La résistance R3, qui est connectée à la bobine secondaire (sortie) du CR3111-3000, agit comme une résistance de charge, produisant une tension de sortie proportionnelle à la valeur de la résistance, en fonction de la quantité de courant qui la traverse.

Les résistances R1 et R2 agissent comme un diviseur de tension, formant une « masse virtuelle » avec une valeur de 1,65 V. Cela permet aux valeurs du CR3111-3000 d'osciller positivement et négativement, tout en restant dans une plage autorisée, car le microcontrôleur ne peut pas accepter de tensions négatives. Le condensateur C1 fait partie d'un filtre antiparasite RC qui réduit le bruit de l'alimentation de 3,3 V et des champs parasites voisins qui entrent dans les mesures, aidant ainsi le diviseur de tension à agir comme une meilleure masse.

Une pompe à vide avec un filtre intégré a été utilisée pour fournir un banc d'essai de démonstration. Pour les besoins de ce prototype, une rallonge électrique de 30 cm P006-001 de Tripp Lite a été insérée entre l'alimentation et la pompe à vide (Figure 4).

Figure 4 : Rallonge électrique de 30 cm, qui a été modifiée pour accepter le capteur de courant. (Source de l'image : Max Maxfield)

Le circuit prototype a été réalisé avec des composants provenant du stock de pièces détachées de l'auteur (Figure 5). Les équivalents facilement disponibles sont notamment les suivants :

• (1) Montage d'essai Adafruit 64
• (1) Kit de fils préformés TW-E012-000 de Twin Industries pour utilisation avec les montages d'essai
• (1) Résistance à montage traversant 50 ohms (Ω) ±1 % 0,25 watt (W) RNMF14FTC150R de Stackpole Electronics
• (2) Résistances à montage traversant 10 kilo-ohm (kΩ) ±1 % 0,25 W RNF14FTD10K0 de Stackpole Electronics
• (1) Condensateur électrolytique aluminium 10 microfarads (µF) 63 V ESK106M063AC3FA de KEMET

Figure 5 : Le circuit prototype a été réalisé en utilisant un petit montage d'essai et des composants provenant du stock de pièces détachées de l'auteur. (Source de l'image : Max Maxfield)

En ce qui concerne les sorties du capteur de courant, les broches à sertir 22-28 AWG 1931 de Pololu Corp. ont été serties sur les extrémités. Ces broches ont ensuite été insérées dans un logement rectangulaire noir 5 x 1 1904 à pas de 2,54 millimètres (mm), également de Pololu.

Création de l'application IA/ML

Afin de créer l'application IA/ML, une version d'essai gratuite de NanoEdge AI Studio, accessible depuis le site web de Cartesiam, a été utilisée (voir aussi « Implémenter facilement l'intelligence artificielle dans n'importe quel système industriel »).

Lorsque NanoEdge AI Studio est lancé, l'utilisateur est invité à créer un nouveau projet à à lui attribuer un nom. L'utilisateur doit ensuite indiquer le processeur utilisé (Arm Cortex-M0+ dans le cas de la carte de développement Arduino Nano 33 IoT), le ou les types de capteurs utilisés (un capteur de courant dans ce cas), et la quantité de mémoire maximum qui doit être consacrée à ce modèle IA/ML (6 Ko ont été sélectionnés pour cette démonstration).

Afin de créer le modèle IA/ML, il est d'abord nécessaire de capturer des échantillons représentatifs de bonnes et de mauvaises données (Figure 6). Un simple sketch (programme) Arduino a été créé pour lire les valeurs du capteur de courant. Ces données peuvent être directement chargées dans NanoEdge AI Studio à la volée depuis le port USB du microcontrôleur. Alternativement, les données peuvent être capturées dans un fichier texte, éditées (pour supprimer les échantillons parasites au début et à la fin de l'exécution), puis chargées dans NanoEdge AI Studio.

Figure 6 : Comparaison des données bonnes/normales (en haut) et mauvaises/anormales (en bas). Hormis les différences de couleur, celles-ci ne semblent pas très différentes à l'œil nu, mais un modèle AI/ML adapté peut les distinguer. (Source de l'image : Max Maxfield)

Les bonnes données ont été collectées avec la pompe à vide fonctionnant en mode normal. Afin de recueillir les mauvaises données, le filtre à air de la pompe a été obstrué par un disque de papier.

En utilisant les bonnes et les mauvaises données, NanoEdge AI Studio génère la meilleure solution de bibliothèque IA/ML à partir de 500 millions de combinaisons possibles. La progression continue est affichée de plusieurs manières différentes, notamment par un diagramme de dispersion montrant dans quelle mesure les signaux normaux (bleu) sont distingués des signaux anormaux (rouge) par rapport à une valeur seuil, qui a été fixée à 90 % dans cet exemple (Figure 7).

Figure 7 : NanoEdge AI Studio évalue jusqu'à 500 millions de modèles IA/ML différents afin de déterminer la configuration optimale pour les données normales et anormales. Les modèles initiaux sont rarement couronnés de succès (en haut), mais l'outil itère automatiquement des solutions de plus en plus performantes jusqu'à ce que le développeur décide d'arrêter le processus (en bas). (Source de l'image : Max Maxfield)

Les premiers modèles ont généralement du mal à distinguer les données normales des données anormales, mais le système évalue différentes combinaisons d'éléments algorithmiques, itérant sur des solutions de plus en plus précises. Dans ce cas, le processus a été interrompu après l'évaluation de 58 252 bibliothèques. La bibliothèque résultante (modèle) ne faisait que 2 Ko.

Il est important de noter qu'à ce stade, le modèle est dans sa forme non entraînée. De nombreux facteurs différents peuvent affecter le fonctionnement des machines. Par exemple, deux pompes à vide apparemment identiques peuvent être montées à des emplacements différents, par exemple, l'une sur une dalle de béton et l'autre sur un plancher suspendu. Ou bien l'une des machines peut être située dans un environnement chaud et humide, et l'autre dans un environnement froid et sec. L'une peut être raccordée à de grandes longueurs de tuyaux métalliques, et l'autre à de courtes longueurs de tuyaux en plastique.

Ainsi, l'étape suivante consiste à intégrer la bibliothèque dans les applications fonctionnant sur les microcontrôleurs et les capteurs connectés aux machines déployées dans le monde réel. Les modèles IA/ML des différentes machines s'entraîneront ensuite en utilisant les données correctes provenant de ces installations du monde réel. Après cette période d'auto-entraînement, les modèles IA/ML peuvent être laissés à eux-mêmes pour surveiller l'état des machines, rechercher les anomalies et les tendances, et communiquer leurs conclusions et prévisions aux superviseurs humains.

Conclusion

La maintenance prédictive avec IA/ML permet aux ingénieurs de résoudre les problèmes avant que les défaillances ne se produisent réellement. Cependant, le matériel utilisé pour mettre en œuvre le système de maintenance prédictive doit être aussi simple et rentable que possible. En outre, les concepteurs doivent avoir un accès immédiat aux logiciels requis pour effectuer l'analyse.

Comme démontré, au lieu d'opter pour un accéléromètre complexe à plusieurs axes et son matériel associé, un simple transformateur de courant à pince CR3111-3000, compact et économique, connecté à une plateforme de microcontrôleurs à faible coût, peut effectuer la détection et la collecte de données requises. Grâce aux progrès des outils et des algorithmes IA/ML, il est désormais possible pour les experts non-IA/ML de créer des modèles IA/ML sophistiqués qui peuvent être déployés dans un large éventail d'applications de détection simples et complexes.