モータはさまざまなアプリケーションに使用されており、ますます高性能化が進んでいます。 モータは、動作中に取得されるデータのおかげで非常に正確に監視できます。 このデータは、予知保全技術によるアプリケーションの機能強化にも使用できます。
予知保全とは、経年劣化の検出または異常の予測を自動化して保全戦略を最適化することにあります。 機械学習は、システムによって生成されたデータを人間にとって意味のあるデータにするのに役立ちます。 そこで、モータ制御アルゴリズムのすぐ隣にAIソリューションを追加して、異常検出 & 分類とモータ制御の両方を同じマイクロコントローラ上で実行することで、システムのコスト削減とリソースの最適化を実現しました。 このアプローチは、多くのモータやさまざまなアプリケーションに容易に適用できます。
アプローチ
モータが発する振動の代わりに消費電力を測定することで、X-NUCLEO-IHM16M1ボードさえあれば追加のセンサは不要になります。
GBM2804H-100T 3相モータの各相には同じ情報が含まれています。 入力信号を少なくするために、3相のうちの1つのみを測定しました。
正常挙動と異常挙動の両方について、各500の信号のデータセットを作成しました。 異常挙動はモータの速度を変化させてシミュレートしました。
NanoEdge AI Studioで「異常検出」ダイナミック機械学習モデルを作成しました。
P-NUCLEO-IHM03キット(NUCLEO-G431RB + X-NUCLEO-IHM16M1 + GBM2804H-100Tモーター)のエッジで直接トレーニングし、ライブテストを行った。
センサ
データ
通常信号と異常信号
- 通常の信号:正常な機能
- 異常信号:異なる速度
信号長512(1軸)
データレート24 kHz
結果
異常検知:
100 %の精度、0.6 KB RAM、2.8 KB フラッシュ青い点は正常信号、赤い点は異常信号です。
横座標は信号番号、縦座標は正常状態に対する類似度です。