Utilizzare un sensore di corrente per acquisire i dati in modo efficiente per la manutenzione predittiva con IA

L'Internet delle cose (IoT) ha portato con sé un enorme interesse nell'uso delle tecnologie di intelligenza artificiale (IA) e di apprendimento automatico (ML) per monitorare la salute delle macchine, compresi motori, generatori e pompe, e per avvisare i tecnici della manutenzione di eventuali problemi incombenti. Una difficoltà per i progettisti di sistemi IA/ML che cercano di implementare questo tipo di manutenzione predittiva è la scelta del sensore migliore per tale applicazione. Un altro problema è che relativamente pochi progettisti hanno esperienza nella creazione di applicazioni IA/ML.

Per ottenere i dati per il sistema IA/ML su cui agire, i progettisti spesso optano per sensori sofisticati come accelerometri a tre assi accoppiati a piattaforme di sviluppo con microcontroller ad alta potenza. In molti casi, tuttavia, è possibile raggiungere l'obiettivo desiderato utilizzando un semplice sensore di corrente in combinazione con una più modesta e meno costosa piattaforma di sviluppo a microcontroller.

Questo articolo presenta l'idea di utilizzare un trasformatori di rilevamento della corrente per ottenere i dati necessari per implementare in modo semplice ed economico le applicazioni IA/ML. Utilizzando una piattaforma di sviluppo con microcontroller a basso costo IoT di Arduino e un trasformatore di rilevamento della corrente di CR Magnetics, questo articolo presenta anche un semplice circuito che utilizza il sensore di corrente per monitorare lo stato di salute di una pompa a vuoto con filtro integrato, avvisando l'utente quando il filtro è intasato. Infine, l'articolo presenta una panoramica del processo di creazione dell'applicazione IA/ML associata.

Sensori semplici per IA/ML

Al fine di acquisire i dati per un'applicazione IA/ML su cui agire, i progettisti spesso optano per sensori sofisticati come gli accelerometri a tre assi, ma questo tipo di sensore può generare grandi quantità di dati difficili da gestire e interpretare. Per evitare questa complessità, vale la pena ricordare che tutto è interconnesso. Proprio come una lesione a un arto può causare un dolore che viene percepito in altre parti del corpo, un cuscinetto difettoso in un motore può modificare la corrente utilizzata per azionare quel motore. Allo stesso modo, oltre a causare il surriscaldamento, una presa d'aria bloccata può anche modificare la corrente utilizzata per azionare il motore.

Di conseguenza, il monitoraggio di un aspetto del funzionamento di una macchina può far luce anche su altri aspetti. Pertanto, è possibile raggiungere l'obiettivo di monitoraggio e di rilevamento desiderato osservando un parametro correlato mediante un sensore più semplice, come il trasformatori di rilevamento della corrente split-core a basso costo, di piccole dimensioni CR3111-3000 di CR Magnetics (Figura 1).

Figura 1: Il trasformatore di rilevamento della corrente split-core CR3111-3000 fornisce un rilevatore di corrente a basso costo e facile da usare utile come sensore primario in un'applicazione di manutenzione predittiva IA/ML. (Immagine per gentile concessione di CR Magnetics)

CR3111-3000 può essere usato per rilevare correnti fino a 100 A (altri componenti della famiglia CR31xx possono essere impiegati per valori di corrente minori o maggiori). Tutti i componenti della famiglia supportano un campo di frequenza da 20 Hz a 1 kHz, che soddisfa la maggior parte delle applicazioni industriali. Inoltre, tutti i dispositivi CR31xx impiegano una cerniera e un fermo a scatto che permette di fissarli senza interrompere il filo portante della corrente.

Arduino Nano 33 IoT

Un esempio di piattaforma di sviluppo con microcontroller a basso costo adatta per la prototipazione di semplici applicazioni IA/ML è ABX00032 Arduino Nano 33 IoT di Arduino (Figura 2). Dotato di un processore Arm® Cortex®-M0+ a 32 bit ATSAMD21G18A da 48 MHz con 256 kB di memoria flash e 32 kB di SRAM, Arduino Nano 33 IoT è dotato anche di connettività Wi-Fi e Bluetooth.

Figura 2: Arduino ABX00032 Nano 33 IoT fornisce una piattaforma a basso costo sulla cui base creare applicazioni IA/ML per migliorare i dispositivi esistenti (e crearne di nuovi) per far parte dell'IoT. (Immagine per gentile concessione di Arduino)

Circuito di acquisizione dati

Il circuito utilizzato ai fini di questa discussione è mostrato di seguito nella Figura 3. CR3111-3000 trasforma la corrente misurata che aziona la macchina in una molto più piccola utilizzando un rapporto di 1000:1.

Figure 3: Il circuito utilizzato per convertire l'uscita di CR3111-3000 in una forma che può essere utilizzata da Arduino Nano 33 IoT con i suoi ingressi a 3,3 V. (Immagine per gentile concessione di Max Maxfield)

Il resistore R3, collegato attraverso la bobina secondaria (di uscita) di CR3111-3000, funge da resistore di carico, producendo una tensione di uscita proporzionale al valore del resistore, in base alla quantità di corrente che lo attraversa.

I resistori R1 e R2 fungono da divisori di tensione, formando una "messa a terra virtuale" con un valore di 1,65 V. In questo modo, i valori di CR111-3000 possono oscillare in positivo e in negativo e non colpire un rail, poiché il microcontroller non può accettare tensioni negative. Il condensatore C1 fa parte di un filtro antirumore RC che riduce il rumore proveniente dall'alimentazione a 3,3 V e i campi dispersi vicini dall'ingresso nelle misurazioni, aiutando così il divisore di tensione ad agire come una messa a terra migliore.

Una pompa a vuoto con filtro integrato è stata utilizzata per fornire un banco di prova dimostrativo. Ai fini di questo prototipo, tra l'alimentatore e la pompa a vuoto è stato inserito un cavo di alimentazione di prolunga di 30 cm P006-001 di Tripp Lite (Figura 4).

Figura 4: Il cavo di alimentazione di prolunga di 30 cm è stato modificato per accettare il sensore di corrente. (Immagine per gentile concessione di Max Maxfield)

Il circuito prototipo è stato realizzato con componenti trovati tra i pezzi di ricambio dell'autore (Figura 5). Gli equivalenti prontamente disponibili sarebbero i seguenti:

• 1 basetta sperimentale 64 di Adafruit
• 1 kit di fili preformati TW-E012-000 di Twin Industries per l'utilizzo con la basetta sperimentale
• 1 resistore a foro passante da 150 Ω, ±1% e 0,25 W RNMF14FTC150R di Stackpole Electronics
• 2 resistori a foro passante da 10 kΩ, ±1% e 0,25 W RNF14FTD10K0 di Stackpole Electronics
• 1 condensatore elettrolitico in alluminio da 10 µF, 63 ~ 63 V ESK106M063AC3FA di KEMET

Figura 5: Il circuito prototipo è stato implementato utilizzando una piccola basetta sperimentale e componenti facenti parte del corredo di pezzi di ricambio dell'autore. (Immagine per gentile concessione di Max Maxfield)

Per quanto riguarda i conduttori del sensore di corrente, sono alle estremità stati crimpati pin 1931 di 22-28 AWG prodotti da Pololu Corp.. Questi pin sono stati successivamente inseriti in un alloggiamento rettangolare nero 1904 5 x 1 con passo di 2,54 mm, anch'esso di Pololu.

Creazione dell'applicazione IA/ML

Per creare l'applicazione IA/ML, è stata utilizzata la versione di prova gratuita di NanoEdge AI Studio accessibile sul sito web di Cartesium (si veda anche "Come portare l'intelligenza artificiale in qualsiasi sistema industriale").

Quando si avvia NanoEdge AI Studio per la prima volta, l'utente deve creare e nominare un nuovo progetto. Quindi deve indicare il processore utilizzato (un Arm Cortex-M0+ nel caso della scheda di sviluppo Arduino Nano 33 IoT), il tipo o i tipi di sensore utilizzato (un sensore di corrente in questo caso) e la quantità massima di memoria da dedicare a questo modello IA/ML (per questa dimostrazione sono stati selezionati 6 kB).

Per creare il modello IA/ML, è necessario prima di tutto acquisire campioni rappresentativi di dati buoni e cattivi (Figura 6). È stato creato un semplice schizzo Arduino (programma) per leggere i valori del sensore corrente. Questi dati possono essere caricati direttamente in NanoEdge AI Studio "al volo" dalla porta USB del microcontroller. In alternativa, i dati possono essere registrati in un file di testo, modificati (per rimuovere i campioni spuri iniziale e finale) e poi caricati in NanoEdge AI Studio.

Figura 6: Confronto tra dati buoni/normali (in alto) e dati cattivi/anormali (in basso). A parte le differenze di colore, questi non sembrano molto diversi all'occhio umano, ma un modello IA/ML appropriato può distinguerli. (Immagine per gentile concessione di Max Maxfield)

I dati buoni sono stati raccolti con la pompa a vuoto in modalità di funzionamento normale. Per raccogliere i dati cattivo, il filtro dell'aria della pompa è stato ostruito con un disco di carta.

Utilizzando i dati buoni e cattivi, NanoEdge AI Studio genera la migliore soluzione di libreria IA/ML sulla base di 500 milioni di combinazioni possibili. Il progresso continuo viene visualizzato in vari modi diversi, compreso un grafico di dispersione che mostra come i segnali normali (blu) vengono distinti dai segnali anomali (rossi) per quanto riguarda un valore di soglia, che in questo esempio è stato impostato al 90% (Figura 7).

Figura 7: NanoEdge AI Studio valuta fino a 500 milioni di diversi modelli IA/ML per determinare la configurazione ottimale per i dati normali e anormali. I modelli iniziali raramente hanno successo (in alto), ma lo strumento itera automaticamente su soluzioni sempre migliori fino a quando lo sviluppatore non decide di interrompere il processo (in basso). (Immagine per gentile concessione di Max Maxfield)

I primi modelli tipicamente hanno difficoltà a distinguere tra i dati normali e quelli anormali, ma il sistema valuta diverse combinazioni di elementi algoritmici, iterando su soluzioni sempre più accurate. In questo caso, il processo è stato interrotto dopo la valutazione di 58.252 librerie. La libreria risultante (modello) era di soli 2 kB.

È importante notare che, in questa fase, il modello è nella sua forma "non addestrata". Sono molti i fattori che possono influenzare le modalità di funzionamento delle macchine. Ad esempio, due pompe a vuoto apparentemente identiche potrebbero essere montate in posizioni diverse, una su una lastra di cemento e l'altra su una superficie sospesa. Oppure una delle macchine potrebbe essere collocata in un ambiente caldo e umido, mentre l'altra potrebbe essere in un ambiente freddo e asciutto. Una potrebbe essere collegata a tubi metallici molto lunghi, mentre l'altra potrebbe essere collegata a tubi in plastica molto corti.

Quindi, il passo successivo è quello di incorporare la libreria nelle applicazioni eseguite sui microcontroller e sui sensori collegati alle macchine impiegate nel mondo reale. I modelli IA/ML sulle diverse macchine si addestreranno da soli utilizzando i dati buoni di queste installazioni reali. Dopo questo periodo di addestramento, i modelli IA/ML possono essere lasciati da soli per monitorare lo stato di salute delle macchine, alla ricerca di anomalie e tendenze e riportandone i risultati e le previsioni ai supervisori umani.

Conclusione

La manutenzione predittiva con IA/ML consente ai tecnici di affrontare i problemi prima che si verifichino effettivamente i guasti. Tuttavia, l'hardware utilizzato per implementare il sistema di manutenzione predittiva deve essere il più semplice ed economico possibile; inoltre, i progettisti hanno bisogno di accesso immediato al software necessario per eseguire l'analisi.

Come mostrato, anziché optare per un complesso accelerometro multiasse e l'hardware associato, un semplice trasformatore di corrente split-core CR3111-3000, di piccole dimensioni e a basso costo, collegato a una piattaforma con microcontroller a basso costo, può eseguire il rilevamento e la raccolta dati richiesti. Insieme ai progressi degli strumenti e degli algoritmi IA/ML, è ora possibile anche per chi non sia esperto di IA/ML creare sofisticati modelli IA/ML che possono essere implementati in una vasta gamma di applicazioni di rilevamento semplici e complesse.