STの認定パートナーであるRtoneは、製品開発スタジオとして、インテリジェントなコネクテッド･ソリューションの研究、設計、量産前検証、生産、およびメンテナンス分野で顧客をサポートしています。
IoT分野専門のインテグレータであるRtoneは、組込みの機械学習のスキルを伸ばし、STのNanoEdge AI Studioツールに合わせた調整を行うことにより、エンジンやポンプでの異常検出のデモを迅速に開発しました。
このツールを使用すれば、データ･サイエンスに関する高度な知識がなくても、すぐに使用可能なMLモデルをガイドに従ってすばやく実装し、展開することができます。
アプローチ
STEVAL-STWINKT1Bで実行されるこのデモは、3軸加速度センサから振動異常を検出する機械学習モデルをベースとしています。振動は、次の2種類のアクチュエータによって発生します。
- 可変アンバランスを生成できる磁化装置を搭載したエンジン。
- タップでフローを制御するエア･ホースを備えたポンプ。
まず、エンジンを始動して、最初の学習フェーズを通常の動作条件で起動します。学習は、STM32L4R9マイクロコントローラでリアルタイムに実行され、これには50個の信号が含まれます。動作中のエンジンで故障シミュレーションを実行すると、異常がすぐに検出されます。
この構成は、ポンプにも適用されます。通常の動作条件で学習を行った後、生成される振動擾乱もまた、異常検出をトリガします。
モデルの学習を通じ、エンジンとポンプの両方が動作しているときに、それらの異常を検出することもできます。
センサ
3軸加速度センサ（参照：ISM330DHCX）
データ
- サンプリング周波数：3.3KHz
- 分解能：2G
- 軸数：3
- 信号当たりの値の数：3*1024
- サブ･データセット当たりの信号の数：2*300
- サブ･データセットの数：10
- 信号の合計数：6000
結果
- 推論時間：7ms
- Flash：3.7KB
- RAM：12.2KB
