描述

每個制造環(huán)境都配備了機器。對于性能更好的制造單元，機器的健康起著重要作用，因此維護也起著重要作用。我們有三種維護策略，即預防性維護、糾正性維護和預測性維護。

如果您想在防止故障和避免過度維護之間找到最佳平衡點，PdM 是必經(jīng)之路。為您的工廠配備相對實惠的傳感器來跟蹤溫度、振動和運動數(shù)據(jù)，使用預測技術在即將發(fā)生故障時安排維護，您會發(fā)現(xiàn)運營成本大幅降低。

在最新的技術時代，教計算機理解聲學世界現(xiàn)在是一個熱門的研究課題。所以在這個項目中，我們使用聲音對 Nano 33 BLE Sense 進行一些預測性維護。

?

它是如何工作的？

我們使用 Nano 33 BLE Sense 持續(xù)聆聽機器。MCU 運行一個 ML 模型，該模型接受兩組聲學異常和正常操作模式的訓練。當 ML 模型發(fā)現(xiàn)異常時，會立即通知操作員，并在適當檢查后關閉機器進行維護。因此，我們可以減少可能造成的損壞并減少停機時間。

硬件要求

• Nano 33 BLE 感知
• 引領

軟件要求

• 邊緣脈沖
• 開發(fā)環(huán)境

硬件設置

硬件設置包括一個 Nano 33 BLE Sense，它被放置在一個舊的交流電機旁邊。

?

?

?

軟件設置

如果您尚未將設備連接到 Edge Impulse 儀表板，請按照本教程進行連接。成功連接后，它應該出現(xiàn)在“設備”選項卡中。

?

或者，最新版本的 Google Chrome 和 Microsoft Edge 可以直接從您的開發(fā)板收集數(shù)據(jù)，而無需 Edge Impulse CLI。按照本教程了解更多信息。

TinyML 模型生成

成功設置硬件和軟件后，現(xiàn)在我們已準備好進行模型生成，其中包括許多步驟。讓我們從收集一些數(shù)據(jù)開始。

1. 數(shù)據(jù)收集

清潔數(shù)據(jù)是訓練性能良好的模型的最重要要求。在我們的例子中，我們收集了 3 類聲音 - 兩類異常，一類正常操作，顯然還有一類噪音。每個樣本長 2 秒。這些類的原始數(shù)據(jù)如下所示。

?

?

?

?

?

?

?

如果數(shù)據(jù)沒有拆分成訓練和測試數(shù)據(jù)集，則將數(shù)據(jù)集按80:20的比例拆分成訓練和測試數(shù)據(jù)集，形成一個很好的模型訓練數(shù)據(jù)集。

2. 沖動設計

脈沖是機器學習管道，它獲取原始數(shù)據(jù)，使用信號處理來提取特征，然后使用學習塊對新數(shù)據(jù)進行分類。

?

這里我們使用時間序列數(shù)據(jù)作為輸入塊。現(xiàn)在，我們有兩種處理塊的選擇——MFCC 和 MFE。由于我們正在處理非人聲音頻，而 MFE 在處理非人聲音頻方面表現(xiàn)良好，因此我們選擇MFE作為我們的處理塊。我們使用分類作為我們的學習塊，因為我們必須學習模式并將它們應用于新數(shù)據(jù)以將音頻分類為給定的 4 個類之一。

?

在MFE選項卡中，如果您擅長音頻處理，則可以調(diào)整參數(shù)，否則保持設置不變并生成功能。

?

3. 模型訓練與測試

現(xiàn)在我們已經(jīng)設計了沖動，讓我們繼續(xù)訓練模型。我們用于模型訓練的設置如圖所示。您可以嘗試調(diào)整模型訓練設置，使訓練后的模型表現(xiàn)出更高的準確性，但要注意不要過度擬合。

?

經(jīng)過訓練的模型達到了高達 94.7% 的準確率。

?

現(xiàn)在讓我們使用一些未知數(shù)據(jù)來測試模型的功能。要評估模型的性能，請轉到模型測試和全部分類。

?

我們得到了 95.07% 的測試準確率，這非常棒。現(xiàn)在讓我們用一些真實世界的數(shù)據(jù)來測試模型。導航到實時分類并從連接的設備收集一些數(shù)據(jù)。

好的

?

?

異常 1

?

?

異常2

?

我們分別收集了Normal Operation Mode 、Anomaly 1和Anomaly 2的一些真實世界數(shù)據(jù)，它們都被正確分類了。因此我們的模型已準備好部署。

部署

對于部署，導航到部署選項卡，選擇Arduino 庫并構建庫。它將輸出一個 zip 庫，可以將其添加到Arduino IDE中。

?

完成品

Nano 33 BLE Sense 連同一個 LED 封裝在一個 3D 打印的外殼中，這是我們的最終產(chǎn)品。該設備能夠識別機器中的聲音異常，并使用警報 LED 向用戶發(fā)出警報。

?

?

?

?