物聯(lián)網(wǎng) (IoT) 引發(fā)了人們對使用人工智能 (AI) 和機(jī)器學(xué)習(xí) (ML) 技術(shù)來監(jiān)視機(jī)器（包括電機(jī)、發(fā)電機(jī)和泵）運(yùn)行狀況以及提醒維護(hù)工程師任何隱現(xiàn)問題的廣泛興趣。AI/ML 系統(tǒng)設(shè)計(jì)人員要想實(shí)現(xiàn)此類預(yù)測性維護(hù)，面臨的難題之一是為應(yīng)用選擇最合適的傳感器。另一個(gè)問題是，只有相對較少的設(shè)計(jì)人員擁有構(gòu)建 AI/ML 應(yīng)用的經(jīng)驗(yàn)。
為了獲得可供 AI/ML 系統(tǒng)使用的數(shù)據(jù)，設(shè)計(jì)人員往往選擇將復(fù)雜的傳感器（例如三軸加速計(jì)）與高性能的微控制器開發(fā)平臺搭配使用。但在許多情況下，將簡單的電流傳感器與更普通且成本更低的微控制器開發(fā)平臺結(jié)合使用，也能實(shí)現(xiàn)需要的目標(biāo)。
本文介紹使用電流互感器獲取必要的數(shù)據(jù)，從而以簡單且經(jīng)濟(jì)實(shí)惠的方式實(shí)現(xiàn) AI/ML 應(yīng)用的思路。本文還利用低成本的 Arduino IoT 微控制器開發(fā)平臺和 CR Magnetics 的電流互感器，提出了一種簡單的采用電流傳感器的電路，來監(jiān)視帶有一體式過濾器的真空泵的運(yùn)行狀況，并在過濾器出現(xiàn)堵塞時(shí)提醒用戶。最后，本文還概要性介紹了創(chuàng)建相關(guān) AI/ML 應(yīng)用的過程。
適合 AI/ML 的簡單傳感器
為了采集用于 AI/ML 應(yīng)用的數(shù)據(jù)，設(shè)計(jì)人員往往選擇三軸加速計(jì)等復(fù)雜的傳感器；但這種類型的傳感器可能會(huì)生成大量難以操作和理解的數(shù)據(jù)。要避免這種復(fù)雜性，值得記住的一點(diǎn)是，萬事萬物都是相互關(guān)聯(lián)的。正如人體某個(gè)部位受到傷害可能導(dǎo)致其他身體部位感受到牽涉性疼痛一樣，電機(jī)中的軸承故障也會(huì)改變驅(qū)動(dòng)該電機(jī)的電流。類似地，進(jìn)氣口堵塞除了導(dǎo)致過熱之外，也會(huì)改變驅(qū)動(dòng)電機(jī)的電流。
因此，通過監(jiān)視機(jī)器運(yùn)行的一個(gè)方面，可以間接了解機(jī)器工作的其他方面?；诖耍梢酝ㄟ^使用簡單得多的傳感器來觀察某個(gè)相關(guān)的參數(shù)，來實(shí)現(xiàn)所需的監(jiān)視和感測目標(biāo)，例如 CR Magnetics 的小巧、低成本 CR3111-3000 可拆式電流互感器（圖 1）。
圖 1：CR3111-3000 可拆式電流互感器提供了一種低成本、易于使用的電流檢測器，該檢測器可用作 AI/ML 預(yù)測性維護(hù)應(yīng)用中的主要傳感器。（圖片來源：CR Magnetics）
CR3111-3000 可用于檢測高達(dá) 100 安培 (A) 的電流（CR31xx 系列的其他成員可用于檢測更小或更大的電流值）。該系列的所有成員都支持 20 赫茲 (Hz) 到 1 千赫茲 (kHz) 的頻率范圍，涵蓋了大多數(shù)工業(yè)應(yīng)用。此外，所有 CR31xx 器件均采用鉸鏈和鎖扣機(jī)構(gòu)，可以在不中斷載流電線的情況下進(jìn)行連接。
Arduino Nano 33 IoT
Arduino 的 ABX00032 Arduino Nano 33 IoT 便是一個(gè)適用于簡單 AI/ML 應(yīng)用原型設(shè)計(jì)的低成本微控制器開發(fā)平臺示例（圖 2）。Arduino Nano 33 IoT 采用一個(gè)以 48 兆赫 (MHz) 頻率運(yùn)行的 Arm? Cortex?-M0+ 32 位 ATSAMD21G18A 處理器，具有 256 KB 閃存和 32 KB SRAM，而且配備了 Wi-Fi 和藍(lán)牙連接。
圖 2：Arduino ABX00032 Nano 33 IoT 提供了一個(gè)低成本的構(gòu)建 AI/ML 應(yīng)用的基礎(chǔ)平臺，可將現(xiàn)有器件（或構(gòu)建新器件）增強(qiáng)成為 IoT 的一部分。（圖片來源：Arduino）
數(shù)據(jù)采集電路
本次討論目的所用電路如下圖 3 所示。CR3111-3000 使用 1000:1 的比率將所測的機(jī)器驅(qū)動(dòng)電流轉(zhuǎn)換為小得多的電流。
圖 3：該電路采用 3.3 伏輸入，用于將 CR3111-3000 的輸出轉(zhuǎn)換為可供的 Arduino Nano 33 IoT 使用的形式。（圖片來源：Max Maxfield）
電阻器 R3 跨接在 CR3111-3000 的次級（輸出）線圈兩端，用作負(fù)載電阻器，從而根據(jù)流經(jīng)它的電流量產(chǎn)生與電阻值成比例的輸出電壓。
電阻器 R1 和 R2 充當(dāng)分壓器，形成具有 1.65 伏電壓值的“虛擬接地”。這使得 CR111-3000 的值可以正負(fù)擺動(dòng)而仍不會(huì)碰到零電壓軌，因?yàn)槲⒖刂破鞑荒芙邮茇?fù)電壓。電容器 C1 構(gòu)成 RC 噪聲濾波器的一部分，可減少 3.3 伏電源和附近雜散場產(chǎn)生的混入測量的噪聲，從而幫助分壓器起到更好的接地作用。
為了提供演示測試臺，使用了具有集成式過濾器的真空泵。出于此原型的目的，在電源和真空泵之間插入一根 Tripp Lite 的 P006-001 1 英尺延長電源線（圖 4）。
圖 4：經(jīng)修改可接受電流傳感器的 1 英尺延長電源線。（圖片來源：Max Maxfield）
該原型電路使用作者的零備件庫中的元器件實(shí)現(xiàn)（圖 5）?，F(xiàn)成的等效元器件如下：
(1) Adafruit 的 64 試驗(yàn)板
(1) 與試驗(yàn)板搭配使用的 Twin Industries 的 TW-E012-000 預(yù)成型電線套件
(1) Stackpole Electronics 的 RNMF14FTC150R 150 歐姆 (Ω) ±1% 0.25 瓦 (W) 通孔電阻器
(2) Stackpole Electronics 的 RNF14FTD10K0 10 千歐 (kΩ) ±1% 0.25 W 通孔電阻器
(1) KEMET 的 ESK106M063AC3FA 10 微法拉 (μF) 63 伏鋁電解電容器
圖 5：該原型電路使用小型試驗(yàn)板和作者的零備件庫中的元器件實(shí)現(xiàn)。（圖片來源：Max Maxfield）
至于電流傳感器的引線，則是將 Pololu Corp. 的 1931 22-28 AWG 壓接引腳壓接在兩端來實(shí)現(xiàn)。然后將這些引腳插入同樣來自 Pololu 的具有 0.1 英寸 (in.)（2.54 毫米 (mm)）間距的 1904 5 x 1 黑色矩形外殼中。
創(chuàng)建 AI/ML 應(yīng)用
為了創(chuàng)建 AI/ML 應(yīng)用，請先從 Cartesium 的網(wǎng)站獲取免費(fèi)的 NanoEdge AI Studio 試用版（另請參閱“輕松將人工智能植入任何工業(yè)系統(tǒng)”）。
啟動(dòng) NanoEdge AI Studio 后，程序會(huì)邀請用戶創(chuàng)建新項(xiàng)目并為其命名。然后將詢問用戶所用的處理器（使用 Arduino Nano 33 IoT 開發(fā)板時(shí)為 Arm Cortex-M0+）、所用的傳感器類型（在本例中為電流傳感器），以及專門用于此 AI/ML 模型的最大內(nèi)存量（此演示選擇了 6 KB）。
為了創(chuàng)建 AI/ML 模型，首先有必要采集良好數(shù)據(jù)和不良數(shù)據(jù)的代表性樣本（圖 6）。接著創(chuàng)建一個(gè)簡單的 Arduino 草圖（程序），從電流傳感器讀取值。該數(shù)據(jù)可以從微控制器的 USB 端口直接“實(shí)時(shí)”加載到 NanoEdge AI Studio 中。或者，也可以將數(shù)據(jù)采集到文本文件中，進(jìn)行編輯（以刪除運(yùn)行開始和結(jié)束時(shí)的雜散樣本），然后加載到 NanoEdge AI Studio 中。
圖 6：良好/正常數(shù)據(jù)（頂部）和不良/異常數(shù)據(jù)（底部）的比較。除了顏色上的差異外，這些圖形在人眼看來似乎并沒有太大的不同，但適當(dāng)?shù)?AI/ML 模型可以區(qū)分它們。（圖片來源：Max Maxfield）
良好數(shù)據(jù)是從正常模式下運(yùn)行的真空泵收集而來。為了收集不良數(shù)據(jù)，用紙盤阻塞泵的空氣過濾器。
通過利用良好數(shù)據(jù)和不良數(shù)據(jù)，NanoEdge AI Studio 從 5 億種可能的組合中生成了最佳的 AI/ML 庫解決方案。以多種不同的方式顯示其進(jìn)行中的進(jìn)度，包括一個(gè)散點(diǎn)圖，其中顯示了正常信號（藍(lán)色）與異常信號（紅色）在閾值方面的區(qū)別程度，本例中閾值設(shè)為 90%（圖 7）。
圖 7：NanoEdge AI Studio 評估多達(dá) 5 億種不同的 AI/ML 模型，以確定正常和異常數(shù)據(jù)的最佳配置。最初的模型很少成功（頂部），但是該工具會(huì)自動(dòng)通過迭代獲得越來越好的解決方案，直到開發(fā)人員決定終止（底部）。（圖片來源：Max Maxfield）
早期的模型通常很難區(qū)分正常數(shù)據(jù)和異常數(shù)據(jù)，但是系統(tǒng)會(huì)評估算法元素的不同組合，通過迭代獲得越來越精確的解決方案。在本例中，該過程在評估 58,252 個(gè)庫后停止。生成的庫（模型）大小僅為 2 KB。
值得注意的是，現(xiàn)階段的模型仍處于未訓(xùn)練的形式。許多不同的因素都有可能影響機(jī)器的運(yùn)行方式。例如，兩個(gè)看似相同的真空泵可能安裝在不同的位置：一個(gè)可能在混凝土板上，另一個(gè)在懸浮的地板上。或者其中一臺機(jī)器可能位于炎熱潮濕的環(huán)境中，而另一臺機(jī)器可能處于寒冷干燥的環(huán)境中。此外，一個(gè)可能連接到較長的金屬管，而另一個(gè)可能連接到較短的塑料管。
因此，下一步是針對真實(shí)世界中部署的機(jī)器上所連接的微控制器和傳感器，將該庫合并到在其上運(yùn)行的應(yīng)用程序中。然后，不同機(jī)器上的 AI/ML 模型將使用來自這些真實(shí)設(shè)備中的良好數(shù)據(jù)進(jìn)行自我訓(xùn)練。在此自我訓(xùn)練期之后，可以保留 AI/ML 模型來監(jiān)視機(jī)器的運(yùn)行狀況，查找異常和趨勢，并將其發(fā)現(xiàn)和預(yù)測結(jié)果報(bào)告給人類主管。
結(jié)語
利用 AI/ML 進(jìn)行預(yù)測性維護(hù)，工程師便可在實(shí)際發(fā)生故障之前解決問題。但是，在實(shí)現(xiàn)預(yù)測性維護(hù)系統(tǒng)時(shí)，所用的硬件必須盡可能地簡單且經(jīng)濟(jì)實(shí)惠；此外，設(shè)計(jì)人員還需要隨時(shí)訪問所需的軟件以執(zhí)行分析。
如上所示，與其選擇復(fù)雜的多軸加速計(jì)和相關(guān)的硬件，不如將簡單小巧的低成本 CR3111-3000 可拆式電流互感器連接到低成本的微控制器平臺，同樣可以執(zhí)行所需的感測和數(shù)據(jù)收集。結(jié)合 AI/ML 工具和算法的進(jìn)步，非 AI/ML 專家現(xiàn)在也可以創(chuàng)建復(fù)雜的 AI/ML 模型，并將其部署在各種簡單和復(fù)雜的感測應(yīng)用中。
