Adottare una soluzione drop-in con Edge IA per migliorare il monitoraggio wireless basato sulle condizioni

Il monitoraggio basato sulle condizioni (CbM) aiuta a prevenire i guasti delle apparecchiature grazie alla manutenzione predittiva, ma progettare un sistema efficace in genere si basava sull'integrazione ottimale del rilevamento di precisione e di catene di segnali a basso rumore, sulla gestione dell'alimentazione e sulla connettività wireless. Si tratta di funzioni complesse che possono ritardare e aumentare i costi dell'implementazione del CbM. I progettisti stanno anche riconoscendo i vantaggi dell'intelligenza artificiale (IA) e dell'analisi sull'edge, il che complica ulteriormente il CbM. È dunque necessaria una soluzione più semplice ed efficace.

Questo articolo fornisce una breve panoramica del monitoraggio basato sulle condizioni e presenta una soluzione drop-in di Analog Devices per l'implementazione immediata del CbM wireless con Edge IA.

Perché è importante il monitoraggio basato sulle condizioni

I tempi di fermo non pianificati sono un grosso problema per il mantenimento di un alto livello di efficienza delle apparecchiature. Un singolo guasto imprevisto in un'apparecchiatura critica può bloccare intere linee di produzione, interrompere le supply chain e comportare costosi interventi di assistenza. Gli approcci tradizionali alla manutenzione, che prevedono riparazioni reattive dopo un guasto o intervalli di manutenzione rigidamente programmati, hanno i loro lati negativi: la manutenzione reattiva comporta costosi tempi di inattività, mentre la manutenzione programmata porta con sé costi dovuti all'inutile sostituzione di componenti ancora operativi.

Il CbM consente di implementare metodi di manutenzione predittiva più economicamente vantaggiosi. Monitorando le vibrazioni, la temperatura, la corrente o altri indicatori prestazionali, gli operatori delle apparecchiature possono identificare i primi segnali di deterioramento dei componenti, prima che si verifichi un guasto. Questo approccio basato sui dati riduce i tempi di fermo non programmati, prolunga la vita delle apparecchiature e abbatte il costo totale di proprietà.

Nonostante i suoi vantaggi, l'implementazione del CbM può essere ostacolata dalla complessità dei requisiti e dalla necessità di conoscenze specialistiche e multidisciplinari. Superare queste sfide non è facile per assicurare il successo della manutenzione predittiva basata sul CbM nelle apparecchiature industriali e automotive.

Sfide e requisiti del monitoraggio basato sulle condizioni

Affinché il CbM offra tutti i suoi potenziali vantaggi, le soluzioni CbM devono funzionare in modo affidabile negli ambienti industriali e automotive più esigenti e fornire analisi tempestive basate su dati di misurazione accurati. Tuttavia, la natura di questi ambienti sottopone i dispositivi di misurazione a notevoli sollecitazioni meccaniche e ambientali, anche durante il normale funzionamento dell'apparecchiatura monitorata. I motori industriali, le trasmissioni e le apparecchiature rotanti pesanti espongono i dispositivi di monitoraggio a vibrazioni, urti, temperature estreme e livelli elevati di interferenze elettromagnetiche (EMI).

Per una manutenzione predittiva affidabile, i sensori di vibrazione nei dispositivi CbM devono essere in grado di rilevare i mutamenti più impercettibili, che spesso forniscono i primi indizi di squilibrio dell'albero, disallineamento o usura dei cuscinetti. Per la misurazione ad alta precisione delle vibrazioni in condizioni ambientali difficili, è necessario un sottosistema di acquisizione del segnale del sensore con larghezza di banda elevata e basso rumore, che offra prestazioni stabili in ambienti operativi difficili.

Al centro dei metodi CbM, l'analisi vibrazionale fornisce le basi per il riconoscimento delle tendenze che differenziano il normale funzionamento dagli indicatori precoci di guasto. In passato, i sistemi di sensori vibrazionali trasmettevano le loro misurazioni per l'analisi a un host centrale o a una risorsa nel cloud. Ora invece le soluzioni CbM avanzate hanno iniziato a spostare l'analisi verso l'edge. Analizzando i dati all'interno o in prossimità del sistema di sensori, i risultati generati hanno una latenza minima e il traffico si riduce sulle reti industriali e automotive sensibili ai tempi.

In particolare, l'inferenza IA sull'edge basata su modelli di reti neurali convoluzionali (CNN) consente di interpretare i cambiamenti in fatto di vibrazioni in tempo reale. Tuttavia, l'inferenza CNN richiede calcoli molto pesanti e ciò complica ulteriormente l'obiettivo di implementare il CbM senza superare i limiti di potenza, dimensioni o costi del sistema.

L'esigenza di ridurre al minimo il consumo di energia si fa più pressante quando il CbM viene utilizzato sempre più spesso in apparecchiature rotanti o in apparecchiature remote o mobili, dove i collegamenti via cavo non sono pratici. Per soddisfare i requisiti di connettività wireless in questi casi, Bluetooth Low Energy (BLE) offre la combinazione necessaria di portata, potenza e affidabilità rispetto alle opzioni di connettività alternative (Tabella 1).

Tabella 1: Tra gli standard di connettività wireless, BLE offre una combinazione di caratteristiche adatte al monitoraggio wireless delle vibrazioni. (Tabella per gentile concessione di Analog Devices)

Come nel caso dell'elaborazione Edge IA, tuttavia, la sfida consiste nel trovare una soluzione di connettività BLE che sia in grado di funzionare entro i limiti di potenza di un sistema di sensori wireless. In effetti, garantire la durata estesa della batteria continua a essere un problema per i progettisti di qualsiasi sistema di sensori wireless. Tuttavia, è particolarmente importante nelle applicazioni industriali e automotive, dove i sensori potrebbero essere difficili da raggiungere. In un sistema CbM che deve eseguire l'inferenza CNN, sia la batteria che la gestione dell'alimentazione diventano sempre più critiche. La sfida consiste nell'orchestrare più regolatori, sequenziatori e sistemi di ricarica per ridurre il consumo energetico e garantire un funzionamento stabile.

Un kit di valutazione come soluzione CbM wireless "drop-in" con Edge IA

Il kit EV-CBM-VOYAGER4-1Z Voyager 4 di Analog Devices affronta le sfide dell'implementazione del CbM wireless con Edge IA fornendo una piattaforma completa di monitoraggio delle vibrazioni alimentata a batteria per la valutazione continua della tecnologia CbM o per l'implementazione immediata in applicazioni di manutenzione predittiva. Il kit è progettato per gli ambienti difficili e utilizza un distanziatore verticale (Figura 1, in alto) che trattiene saldamente in posizione la scheda a circuiti stampati da un lato e una batteria dall'altro. Una scheda CS di alimentazione e i sensori sono posti nella parte inferiore del distanziatore, vicino alla sorgente di vibrazioni da monitorare. Per la distribuzione, il gruppo di distanziatori verticali viene inserito in un involucro protettivo in alluminio (Figura 1, in basso) dal diametro di 46 mm e un'altezza di 77 mm. L'involucro è sormontato da un coperchio acrilico ABS per consentire la connettività BLE.

Figura 1: Il robusto gruppo di distanziatori e l'involucro protettivo di Voyager 4 realizzano un sistema CbM wireless affidabile con Edge IA per ambienti difficili. (Immagine per gentile concessione di Analog Devices)

Realizzato sulla base di un microcontroller (MCU) BLE MAX32666 di Analog Devices e di un MCU IA MAX78000EXG+ di Analog Devices, il progetto del sistema di sensori wireless integra una serie completa di dispositivi a basso consumo per la misurazione precisa delle vibrazioni e il rilevamento delle anomalie con una durata estesa della batteria (Figura 2).

Figura 2: Combinando più dispositivi a basso consumo, Voyager 4 offre le capacità di rilevamento, elaborazione e connettività necessarie per una soluzione CbM wireless drop-in con Edge IA. (Immagine per gentile concessione di Analog Devices)

Per misurare le vibrazioni, Voyager 4 utilizza l'accelerometro a tre assi ADXL382-1BCCZ-RL7 di Analog Devices, che combina sensori MEMS (sistema microelettromeccanico), un front-end analogico (AFE) e un convertitore analogico/digitale (ADC) a 16 bit. Con una larghezza di banda di misurazione di 8 kHz, questo dispositivo è progettato per fornire misurazioni accurate anche in ambienti soggetti a forti vibrazioni. È particolarmente adatto a progetti a bassa potenza, poiché consuma solo 520 μA in modalità ad alte prestazioni con larghezza di banda di 8 kHz o solo 32 μA in modalità a basso consumo con larghezza di banda di 400 Hz.

Nel progetto del sistema Voyager 4, l'uscita di ADXL382 passa all'interruttore CMOS ADG1634BCPZ-REEL7 di Analog Devices, che viene controllato dall'MCU BLE MAX32666. La combinazione di questo MCU BLE e di un accelerometro MEMS a bassissimo consumo ADXL367BCCZ-RL7 di Analog Devices svolge un ruolo centrale nelle modalità operative di Voyager 4 (Figura 3).

Figura 3: Le modalità operative di Voyager 4 garantiscono la generazione efficiente dei dati di addestramento e l'inferenza in tempo reale, dimostrando come l'Edge IA possa supportare la manutenzione predittiva senza fare affidamento su risorse cloud. (Immagine per gentile concessione di Analog Devices)

Durante le fasi di addestramento (percorso "a" nella Figura 3), l'MCU MAX32666 incanala i dati di vibrazione grezzi da ADXL382-1BCCZ-RL7 per trasmetterli al sistema host dell'utente attraverso la radio BLE di MAX32666 o attraverso la connessione USB di Voyager 4. Come sarà discusso più avanti in questo articolo, questa modalità operativa fornisce i dati di addestramento necessari per generare i modelli di inferenza personalizzati alla base dell'Edge IA per il CbM.

Durante le operazioni di rilevamento delle anomalie (percorso "b" nella Figura 3), l'MCU IA MAX78000EXG+ di Voyager 4 utilizza la connessione diretta ad ADXL382-1BCCZ-RL7 per leggere i dati di vibrazione grezzi ed eseguire un modello di inferenza personalizzato con l'acceleratore CNN integrato per la previsione delle anomalie. Se i risultati dell'inferenza indicano la presenza di un'anomalia, MAX78000EXG+ emette un avviso, che l'MCU BLE MAX32666 trasmette all'utente affinché intervenga.

Se non viene rilevata alcuna anomalia, il sensore entra in modalità di sospensione. In questo stato di quiescenza, l'accelerometro ADXL367BCCZ-RL7 assorbe solo 180 nA in modalità di riattivazione determinata dal movimento, che si innesca quando le vibrazioni superano una soglia regolabile. Quando si verifica la riattivazione dovuta al movimento, ADXL367BCCZ-RL7 riattiva a sua volta l'MCU BLE MAX32666, che avvia un nuovo ciclo di misurazione delle vibrazioni e di inferenza. Questo approccio consente di ridurre al minimo il consumo energetico durante il funzionamento normale, limitando l'uso della radio BLE energivora alle sessioni di addestramento e agli avvisi sulle anomalie (Figura 4).

Figura 4: La riattivazione determinata dal movimento e l'uso selettivo della radio BLE contribuiscono a prolungare la durata della batteria di Voyager 4. (Immagine per gentile concessione di Analog Devices)

La gestione efficace dell'energia è essenziale in un dispositivo destinato a prevedere i guasti di macchinari e attrezzature critiche. Oltre ai risparmi energetici a livello di sistema realizzati dalla funzione di riattivazione dovuta al movimento, Voyager 4 integra un circuito integrato di gestione dell'alimentazione (PMIC) MAX20335BEWX+T di Analog Devices per fornire le tensioni necessarie. Inoltre, un indicatore di carica MAX17262 di Analog Devices monitora la corrente della batteria e supporta la stima della sua durata. Durante le varie modalità operative di Voyager 4, l'MCU MAX32666 può attivare o disattivare le singole uscite di MAX20335BEWX+T per soddisfare specifiche esigenze di alimentazione, ottimizzando ulteriormente il consumo energetico.

A livello di dispositivi, il funzionamento a basso consumo è una caratteristica fondamentale dei singoli dispositivi utilizzati nel kit Voyager 4. Ad esempio, l'MCU BLE MAX32666 richiede solo 27,3 μA/MHz quando si esegue dalla cache a 3,3 V; l'MCU IA MAX78000EXG+ utilizza 22,2 μA/MHz (durante l'esecuzione del ciclo) dalla cache a 3,0 V con il suo processore ARM® Cortex®-M4 attivo. Inoltre, entrambi gli MCU integrano il controllo dinamico della tensione che riduce ulteriormente il consumo energetico attivo del core.

La combinazione di ottimizzazione dell'energia a livello di sistema e di dispositivo riduce efficacemente il consumo energetico durante le varie modalità operative di Voyager 4. Nella sua normale modalità di rilevamento delle anomalie, il consumo energetico di Voyager 4 è di circa 0,3 mW con il sensore attivo una volta all'ora, il che si traduce, in condizioni tipiche, in ben due anni di durata per una batteria da 1500 mAh. La modalità di addestramento, invece, richiede un uso estensivo della radio BLE per trasmettere i dati vibrazionali da utilizzare per l'addestramento e la convalida del modello, con un consumo energetico superiore a 0,65 mW (si veda ancora la Figura 4).

Addestramento e distribuzione di un modello di monitoraggio delle vibrazioni per l'Edge IA

L'addestramento di modelli CNN è ormai un processo relativamente semplice grazie all'ampia disponibilità di strumenti software adeguati. Nell'addestramento dei modelli per applicazioni di Edge IA, tuttavia, le limitazioni delle risorse dei processori edge e degli MCU hanno portato allo sviluppo di strumenti più specializzati, pensati per ottimizzare i modelli per i singoli dispositivi target. Analog Devices fornisce tali strumenti nel suo repository GitHub AI on a Battery, che guida gli utenti attraverso un flusso di lavoro documentato. Analog Devices suddivide tale flusso di lavoro in una sequenza in tre fasi e fornisce un repository GitHub dedicato per ciascuna di esse (Figura 5).

Figura 5: Un flusso di lavoro strutturato con repository dedicati di strumenti e istruzioni aiuta gli sviluppatori a ottimizzare i modelli CNN per l'MCU IA MAX78000EXG+, per implementare il CbM guidato dall'IA su dispositivi attenti al consumo energetico. (Immagine per gentile concessione di Analog Devices)

Nella prima fase, il repository ai8x-training fornisce istruzioni passo-passo dettagliate per la preparazione dell'ambiente di lavoro e l'esecuzione dell'addestramento con lo script Python train.py incluso. Nella seconda fase, il repository ai8x-synthesis fornisce un set altrettanto dettagliato di istruzioni per la configurazione e il funzionamento degli strumenti utilizzati per convertire un modello addestrato in codice C.

Un fattore critico per il successo nell'Edge IA è la comprensione delle capacità e dei limiti dell'ambiente di esecuzione della CNN target. All'interno dei repository ai8x-training e ai8x-synthesis, Analog Devices include un tutorial dettagliato per aiutare gli sviluppatori a capire la relazione tra le decisioni di implementazione del modello CNN e le capacità dell'MCU IA MAX7800x.

La terza fase, documentata nel repository del kit di sviluppo software, fornisce le istruzioni e gli strumenti necessari per sviluppare il firmware che incorpora il modello di inferenza per l'MCU MAX7800x target. Dopo aver generato il firmware, l'utente lo carica in Voyager 4 tramite un aggiornamento cablato o wireless. A questo punto, l'utente può connettersi con Voyager 4 tramite BLE e impartire i comandi utilizzando un'interfaccia grafica utente (GUI) Python in esecuzione su un host Windows. In modalità di esecuzione normale, l'MCU IA esegue l'inferenza secondo le istruzioni dell'MCU BLE MAX32666 oppure automaticamente alla riattivazione.

Conclusione

I tempi di fermo non pianificati dovuti ai guasti delle apparecchiature comportano costi e rischi. Sebbene il CbM possa contribuire a ridurre i costi e a mitigare i rischi grazie alla manutenzione predittiva, la progettazione di sistemi di sensori wireless adatti con capacità di analisi rimane complessa. Il kit di valutazione delle vibrazioni wireless Voyager 4 di Analog Devices è una soluzione drop-in che supera queste sfide e che consente la rapida implementazione della manutenzione predittiva con rilevamento di precisione, utilizzo efficiente dell'energia, connettività wireless ed elaborazione robusta con Edge IA.