Prototyp systemu Predictive Maintenance do monitorowania silników elektrycznych (ML i Edge Computing)

Sprawność maszyn przemysłowych zależy wprost od stanu ich silników. Nawet niewielkie odchylenia od normy, na przykład nietypowe drgania, bywają sygnałem rozwijającej się usterki, która w końcu doprowadzi do awarii i kosztownej przerwy w pracy. Aby tego uniknąć, ekipy utrzymania ruchu muszą stale monitorować sprzęt i reagować na problemy we wczesnym stadium.

SaM Solutions i Toradex podjęły współpracę, aby sprawdzić, jak połączyć Edge Computing, uczenie maszynowe i chmurę w służbie Predictive Maintenance dla przemysłowego IoT. Celem projektu była budowa prototypu. Urządzenie miało pobierać dane z czujników, przetwarzać je tuż przy maszynie (na brzegu sieci) i precyzyjnie oceniać aktualny tryb pracy silnika.

Zadaniem systemu było rozpoznawanie nietypowych zachowań, w tym sztucznie generowanych wibracji, oraz alarmowanie inżynierów o objawach usterek. Projekt miał również udowodnić w praktyce, jak dobrze nowa płytka deweloperska Toradex radzi sobie z obsługą chmury i usług brzegowych AWS.

Wspólnie z firmą Toradex opracowaliśmy prototyp środowiska edge computing, który ocenia stan silnika na podstawie analizy częstotliwości i siły drgań. Nietypowe wibracje to często pierwszy sygnał rozwijającej się usterki. Zbierając te dane lokalnie, nasz system wyłapuje potencjalne problemy, zanim doprowadzą one do awarii maszyny.

Od strony sprzętowej wykorzystaliśmy bezszczotkowy silnik prądu stałego (BLDC) z czujnikiem drgań MPU-6050. Podłączyliśmy go do płytki bazowej Toradex Aster z modułem SoM (System-on-Module) Colibri i.MX6-ULL. Czujnik na bieżąco zbierał parametry pracy silnika i przekazywał je prosto do układu Toradex, gdzie odbywało się przetwarzanie danych.

Aby system potrafił interpretować odczyty, nasz zespół wytrenował model uczenia maszynowego, korzystając z bibliotek TensorFlow i Keras. Zasililiśmy algorytm danymi z różnych scenariuszy działania, dzięki czemu bezbłędnie rozróżnia on trzy główne stany silnika:

• Off (wyłączony): silnik nie pracuje.
• Normal (praca prawidłowa): sprzęt działa w granicach bezpiecznych parametrów.
• Abnormal (anomalia): charakterystyka drgań sugeruje usterkę, na przykład skoki napięcia, niedobór zasilania lub zbliżającą się awarię samego silnika.

Model uczenia maszynowego został wytrenowany w środowisku Microsoft Azure, a następnie przeniesiony na urządzenie docelowe za pomocą AWS IoT Greengrass i funkcji AWS Lambda (w języku Python). Zanim odczyty z czujników trafiały do algorytmu, przechodziły proces wstępnego formatowania.

Po instalacji, mechanizm ML działał bezpośrednio na układzie Toradex. Pozwoliło to systemowi na lokalną analizę parametrów silnika bez konieczności utrzymywania stałego połączenia z siecią czy ciągłego transferu danych do chmury. Łączność z platformą AWS była wykorzystywana w tym projekcie głównie do wdrażania i aktualizacji samego modelu oraz jego mechanizmów detekcji.

Oceniony stan silnika system mógł następnie wyświetlić w panelu webowym lub przekazać do innych narzędzi za pomocą standardowych protokołów komunikacyjnych. Tym samym nasz prototyp udowodnił w praktyce, że umiejętne połączenie sprzętu embedded, uczenia maszynowego oraz technologii Cloud i Edge Computing to skuteczny przepis na systemy Predictive Maintenance i ciągły monitoring maszyn.

Chcesz poznać ten projekt od podszewki? Obejrzyj nagranie ze wspólnego webinaru SaM Solutions i Toradex. Nasi inżynierowie rozkładają w nim ten system na czynniki pierwsze – od architektury, przez kluczowe funkcje, aż po mechanikę działania.

Współpraca SaM Solutions i Toradex zaowocowała w pełni działającym prototypem systemu Predictive Maintenance. Osiągnęliśmy świetne wyniki – nasz system rozpoznaje stan silnika z dokładnością sięgającą 99%. Ten projekt to praktyczny dowód na to, że łącząc analizę drgań, algorytmy uczenia maszynowego i technologię Edge Computing, możemy skutecznie wyłapywać anomalie w pracy maszyn i ostrzegać o nadchodzących usterkach, zanim te unieruchomią sprzęt.

Uruchomienie wytrenowanego modelu bezpośrednio na module obliczeniowym (CoM) Toradex sprawiło, że nasz prototyp działał jako w pełni niezależne rozwiązanie brzegowe. Mogliśmy diagnozować silnik całkowicie lokalnie, bez konieczności utrzymywania stałego łącza z internetem. Z drugiej strony, nie zrezygnowaliśmy z chmury – zintegrowaliśmy ją po to, by móc wygodnie i centralnie aktualizować algorytmy. W ten sposób udało nam się połączyć to, co najlepsze z obu podejść: błyskawiczne, lokalne przetwarzanie danych z ogromną elastycznością chmurowego środowiska Machine Learning.

Wartość zrealizowanego projektu:

• Dla branży przemysłowej: Prototyp pokazał, jak technologia Predictive Maintenance pomaga zakładom redukować przestoje, ciąć koszty awarii mechanicznych i podnosić produktywność sprzętu.
• Dla firmy Toradex: Projekt dostarczył praktyczny dowód na to, że platformy embedded tego producenta z powodzeniem radzą sobie z obsługą zaawansowanych systemów Przemysłowego IoT (IIoT) i algorytmów sztucznej inteligencji na brzegu sieci.