予知保全は、機械学習を使用して機器が故障する可能性が高い時期を予測する保全戦略です。
ポンプなどの産業機器は、動作中にさまざまな信号が発生します。 それらの機器にセンサを取り付けてデータを収集することで、機械学習を使用して正常挙動パターンと異常挙動パターンを識別することが可能です。 この予防型のアプローチは、ダウンタイムの最小化、効率の向上、機器の寿命延長を目的としています。
このユース･ケースでは、振動データを収集･分析し、機械学習モデルを使用して異常を検出するというアプローチをポンプに実装しました。 このアプローチは、他の多くの産業用機械に容易に適用できます。
ポンプなどの産業機器は、動作中にさまざまな信号が発生します。 それらの機器にセンサを取り付けてデータを収集することで、機械学習を使用して正常挙動パターンと異常挙動パターンを識別することが可能です。 この予防型のアプローチは、ダウンタイムの最小化、効率の向上、機器の寿命延長を目的としています。
このユース･ケースでは、振動データを収集･分析し、機械学習モデルを使用して異常を検出するというアプローチをポンプに実装しました。 このアプローチは、他の多くの産業用機械に容易に適用できます。
アプローチ
プロジェクトの目標：
このプロジェクトでは、第1回路を使用してポンプの振動データを加速度センサによって記録しました。 栓を閉じて水の流れを切り替えることで、正常信号と異常信号の両方を発生させて収集しました。
その後、NanoEdge AI Studioで異常検出モデルを開発しました。 また、ソフトウェア･ツールを使用して学習データに最適化されたモデルを作成しました。
作成されたモデルはSTEVAL-PROTEUS1にロードされ、最初の回路に接続された。 このプロトタイプは、正常データと異常データをリアルタイムに検出できました。
その後、モデルをロードしたProteusボードを第2回路に移動し、オンエッジ学習を用いて同じモデルを新しい回路の信号で数秒間、再学習しました。 モデルは第1回路に最適化されていましたが、第2回路でもうまく機能しました。
- ポンプの振動を使用して、ポンプを装備した油圧回路の異常を検出する。
- このモデルをまったく異なる回路で使用しても、このエッジAI学習テクノロジーのおかげで異常検出が可能であることを証明する。
このプロジェクトでは、第1回路を使用してポンプの振動データを加速度センサによって記録しました。 栓を閉じて水の流れを切り替えることで、正常信号と異常信号の両方を発生させて収集しました。
その後、NanoEdge AI Studioで異常検出モデルを開発しました。 また、ソフトウェア･ツールを使用して学習データに最適化されたモデルを作成しました。
作成されたモデルはSTEVAL-PROTEUS1にロードされ、最初の回路に接続された。 このプロトタイプは、正常データと異常データをリアルタイムに検出できました。
その後、モデルをロードしたProteusボードを第2回路に移動し、オンエッジ学習を用いて同じモデルを新しい回路の信号で数秒間、再学習しました。 モデルは第1回路に最適化されていましたが、第2回路でもうまく機能しました。
センサ
データ
規則正しい信号と異常な信号
- 通常信号：第一回路が正常な状態でのポンプ振動の640信号
- 異常信号：両方の偏差の一方がブロックされたポンプ振動の440信号
信号長768（各軸256、3軸）
データレート6667 Hz、レンジ：2g
- 通常信号：第一回路が正常な状態でのポンプ振動の640信号
- 異常信号：両方の偏差の一方がブロックされたポンプ振動の440信号
信号長768（各軸256、3軸）
データレート6667 Hz、レンジ：2g
結果
異常検知クラス：
精度100%、7.8KバイトRAM、6.1Kバイトフラッシュ
青い点は正常信号、赤い点は異常信号です。
横座標は信号値、縦座標は正常状態に対する類似度です。
精度100%、7.8KバイトRAM、6.1Kバイトフラッシュ
横座標は信号値、縦座標は正常状態に対する類似度です。
リソース
モデル作成ツール NanoEdge AI Studio
要件に合った最適なAIモデルを簡単に見つけられるようユーザをステップ･バイ･ステップでガイドし、組込みプロジェクトにAIを追加できる無償のAuto MLソフトウェアです。
対応製品 STM32シリーズ
Arm® Cortex®-Mベース32bitマイコンのSTM32ファミリは、マイコン･ユーザに高いレベルの自由を提供します。完全統合性および開発の容易さを維持しながら、高性能、リアルタイム性能、豊富な機能、デジタル信号処理、低消費電力 / 低電圧駆動、およびコネクティビティを兼ね備えた製品を提供します。
