Internet Industriel des Objets IIOT : Maintenance prédictive à l'aide de l'IoT: création d'un prototype

Cet article de blog est une transcription de notre webinaire conjoint avec Toradex, présenté par notre chef d'équipe IoT et systèmes embarqués Andrei Andreyanov.Dans les sections suivantes, nous fournissons un aperçu du projet de développement de prototype, ainsi que les spécificités de la façon dont nous avons combiné l'apprentissage automatique. , le cloud computing et les technologies IoT pour réussir le projet. La maintenance prédictive utilisant l'IoT est un domaine en voie de croissance continue dans le secteur industriel, qui a été notre inspiration pour ce projet prototype.Pour un bref aperçu de ce projet, rendez-vous sur la page d'étude de cas de la maintenance prédictive IoT. Le webinaire complet est disponible sur notre chaîne YouTube: Introduction au projet de prototype Notre équipe IoT et technologie embarquée a réussi à créer un système de maintenance prédictive qui détecte et analyse l'état d'un moteur électrique CC sans balais. Le système collecte les paramètres de performance du moteur, les transmet à Amazon Web Services (AWS), et applique des algorithmes d'apprentissage automatique pour identifier l'état du moteur.Nous avons principalement utilisé les technologies Amazon Greengrass et Amazon Lambda.Concept de projet Aucun processus de production moderne n'est possible sans l'utilisation de moteurs électriques (quel que soit le secteur). Nous avons donc jeté notre dévolu sur la création d'une solution qui évalue le comportement d'un moteur électrique. Sur la base de cette évaluation comportementale, nous pourrions alors déterminer l'état du moteur en temps réel.Pour ce projet, les équipes de développement embarqué et IoT ont été chargées de construire un prototype IoT de maintenance prédictive qui analyse l'état d'un moteur en fonction de la fréquence de vibration. et la force. Dans notre concept de projet, nous avons décidé que se concentrer sur la vibration et la force du moteur serait le meilleur moyen d'analyser son comportement et son état de fonctionnement.Nous devions établir une base de référence de l'activité motrice (par exemple, limites de fonctionnement normal, marche / arrêt, défaillance) , etc.). Par exemple, si l'arbre principal du moteur est plié, le moteur vibre et produit des fluctuations différentes de celles qui se produisent dans l'état de fonctionnement normal.Objectifs du projet: pratiques et techniquesObjectifs pratiquesDu point de vue pratique, les entreprises doivent surveiller en permanence leurs actifs de production (y compris les machines connectées à distance à leur réseau / Internet). L'un de nos objectifs avec ce projet était de créer une fonction d'alerte entièrement fonctionnelle. Cela signalerait tout problème, problème ou variation de l'état du moteur directement à l'utilisateur final.Objectifs techniquesDans le contexte technique, nous nous sommes efforcés de tirer le meilleur parti de la technologie moderne pour améliorer la fonctionnalité de surveillance de l'état du moteur. C'est pourquoi nous avons choisi de nous appuyer sur la technologie de l'IA pour détecter les comportements moteurs anormaux via l'analyse de données et des modèles d'apprentissage automatique pré-entraînés.Nous avons également mis en œuvre des mises à jour d'algorithmes simultanées sur tous les appareils du réseau, ce qui permet une meilleure analyse des résultats et fournit également Si les entreprises optent pour une voie plus traditionnelle (c'est-à-dire des solutions non ancrées dans la technologie cloud), il y a quelques exigences clés qui ne peuvent pas être négligées: la solution entière doit être développée et mise en œuvre dans un environnement protégé.Les solutions traditionnelles nécessitent des serveurs dédiés pour les mises à jour.Les serveurs dédiés nécessitent des employés supplémentaires pour les gérer. les systèmes ne fournissent pas une surveillance suffisante du système et des données.Les solutions traditionnelles prennent beaucoup de temps et la mise en œuvre sera probablement très coûteuse.La maintenance de l'algorithme est déjà complexe et si un algorithme échoue dans une solution non cloud, il est très difficile de l'arrêter ou de le recharger. Pour la maintenance prédictive utilisant l'IoT, nous avons opté pour les technologies cloud car elles offrent des avantages significatifs par rapport aux solutions traditionnelles. Le cloud permet un développement logiciel, une mise à jour et une surveillance rationalisés, ainsi qu'une sécurité et une flexibilité accrues.Azure vs AWS Lors du choix d'une solution cloud pour notre système, nous avons décidé d'utiliser MS Azure (Microsoft IoT Edge) et AWS (Greengrass). Nous avons décidé d'utiliser deux technologies cloud différentes parce que nous voulions un système flexible qui ne serait pas verrouillé à un fournisseur unique.C'est pourquoi nous avons formé notre système à l'aide d'Azure, tout en utilisant AWS pour le déploiement réel.Platform Interaction SchemeNous avons connecté un capteur de vibrations au moteur CC sans balais. Le capteur acquiert les données de vibration du moteur et les transmet à la carte de développement Toradex. Sur la carte, nous avons implémenté Amazon Greengrass, qui analyse l'état du moteur en temps réel.Il y a trois états principaux qu'il reconnaît: Off (lorsque le moteur est arrêté) .Normal (lorsque le moteur est allumé) .État anormal ( qui identifie des dysfonctionnements tels qu'une sous-tension ou une surtension, ou d'autres états anormaux) .Le modèle utilisé pour le calcul peut être déployé pour la maintenance prédictive à l'aide de l'IoT via un appareil compatible IoT ou Edge Computing via AWS, le stockage cloud Azure, etc. l'état du moteur via une interface web ou divers protocoles de communication tels que MQTT, SMTP, etc. (en fonction des besoins métiers de l'entreprise). Processus de formation Le processus de formation comporte trois étapes. Nous avons collecté des paramètres spécifiques à chaque état du moteur: Lorsque le moteur fonctionne Lorsqu'il est arrêté Lorsqu'il fonctionne anormalement Nous avons formé le modèle sur la base de ces spécifications, et les données sont collectées via le capteur InvenSense MPU6050 Processus de prédiction Le capteur collecte les données qui sont alors envoyé au modèle pré-entraîné. Chaque ensemble de données correspond à une classe spécifique (par exemple, désactivé, en cours d'exécution ou en échec). Le modèle collecte les ensembles de données et les organise en fonction de ces paramètres.Le résultat peut être affiché via une interface Web, un écran LCD ou l'un des protocoles de communication pris en charge.L'état affiché par le modèle de prédiction dépend des données collectées et du courant état du moteur – il est présenté et mis à jour en temps réel.Toradex Computer-on-Module Comme cadre de notre prototype de maintenance prédictive, nous avons utilisé le processeur Toradex NXP i.MX 6ULL ​​ARM (Colibri iMX6ULL) .L'interface de connexion est compatible SODIMM, et le COM prend en charge la communication sans fil et Bluetooth.Le modèle fournit également une prise en charge LTS jusqu'en 2028, ce qui est pratique pour les cas d'utilisation industrielle.La température de fonctionnement du COM varie de -30 à 85 degrés Celsius, ce qui le rend utile dans une large gamme de Nous avons utilisé le MPU6050 d'InvenSense, qui combine deux types d'appareils différents sous un même capot.Le capteur contient deux appareils à 3 axes: un gyroscope MEMS et un ME Accéléromètre MS. Ces deux appareils sont également associés à un processeur de mouvement numérique.Ce capteur offre le niveau de précision idéal pour le traitement des données du gyroscope et de l'accéléromètre.Lorsqu'il est en mode actif, il présente une faible consommation d'énergie et dispose également de nombreuses options d'interface de contrôle. Nous avons développé avec succès un prototype de maintenance prédictive qui produit des résultats de prédiction précis à 85-99% Pour la formation des modèles, nous avons mis en œuvre avec succès des algorithmes basés sur l'IA pour améliorer la collecte et l'analyse des données.Nous avons utilisé l'IoT innovant, le cloud computing et technologies informatiques de pointe. Ces technologies nous ont permis de créer un système haute puissance qui fournit des prévisions précises de l'état du moteur.La carte Toradex que nous avons utilisée nous a fourni les exigences techniques appropriées pour la construction d'un système de maintenance prédictive industrielle.Vidéo DémoRegardez la démo du prototype en direct sur notre chaîne YouTube ici, ou cliquez simplement sur le bouton de lecture ci-dessous: Questions et réponses du public Existe-t-il un potentiel pour faire évoluer la solution vers des systèmes multicapteurs plus complexes? Quelles sont les options et les contraintes? Dans notre cas, je pense que nous pourrions facilement faire évoluer le prototype via des capteurs supplémentaires (ex: capteurs optiques, microphones, etc.). Prenant des données précises provenant de différentes sources, par exemple en prenant des capteurs de niveau de tension pour détecter l'état du contrôleur ou du moteur.Pour aider le système à prédire quand quelque chose pourrait mal tourner, nous pouvons utiliser le modèle pré-entraîné ainsi que les données collectées à partir des capteurs de tension. Cela dépend simplement des exigences spécifiques du projet. Quel modèle avez-vous utilisé sur l'iMX6ULL et quel framework? Jupyter Notebook et Keras. Jupyter et Keras peuvent être utilisés sur Azure et AWS. La caractéristique principale que je pense est importante, nous pouvons utiliser l'algorithme sur Azure ou AWS, ce qui peut être très pratique en fonction des besoins des clients.Certains clients ont besoin d'Azure, certains nécessitent AWS, nous avons donc poussé le concept que la solution peut être mise en œuvre sur les deux et transférés entre les plates-formes sans problème.Quels autres modèles de matériel pourrions-nous utiliser sur un projet similaire? (réponse Toradex): Vous pourriez éventuellement utiliser beaucoup de modèles de matériel que nous avons pour un tel projet, car les exigences d'interface ne sont pas aussi haut. Vous pouvez rechercher des produits et filtrer les exigences des produits sur notre page Web (toradex.com). Il existe de nombreuses cartes qui pourraient être utilisées pour de tels projets. Cela dépend toujours de vos besoins, puis vous devez choisir le matériel le mieux adapté à vos besoins. La solution a-t-elle le potentiel de faire évoluer le concept d'apprentissage automatique? Quelles sont les contraintes et pouvez-vous nous donner un exemple de tels cas? Il peut certainement être étendu et mis à l'échelle, car il est possible de telles fonctionnalités lorsque le modèle peut être formé par lui-même. Mais cela demandera beaucoup plus d'efforts pour le faire, mais oui, c'est possible.Par exemple, en utilisant des solutions AWS ou Azure, l'appareil peut se mettre à jour à l'aide de nouvelles données et rendre les résultats de prédiction plus précis, ou ajouter des fonctionnalités supplémentaires. nécessitent du personnel supplémentaire, par exemple pour mettre à jour Amazon Lambda. L'algorithme se compose de deux parties. Lambda a le code écrit sur Python, ou node.js, qui est ensuite déployé depuis AWS sur la carte à l'aide de Greengrass.Lambda exécute le modèle d'apprentissage automatique et collecte les données de prédiction du capteur.Lambda transmet ensuite ces données au modèle, et fournit les résultats de prédiction à l'interface Web ou vidéo.Dans ce type de cas, du personnel supplémentaire serait donc nécessaire pour s'assurer que la formation se déroule correctement et que les résultats de prédiction restent exacts.Y a-t-il des retards dans la collecte et le transfert des données avec ce système? Il peut y avoir la possibilité de quelques légers retards (c'est-à-dire deux microsecondes). Certains paquets, disons un ou deux, peuvent être perdus. Dans le cas de notre prototype, ce n'est pas vraiment un problème, mais dans un système réel, cela nécessiterait un fonctionnement en temps réel, des capteurs plus précis et peut-être d'autres types d'interfaces telles que SPI.SPI communique à un niveau supérieur. plus rapide que les interfaces I²C. Utiliser quelque chose comme SPI fournirait les résultats plus rapidement que I²C. Cela dépend juste du projet, pourquoi utiliser le traitement en temps quasi réel dans la démo? Existe-t-il une option pour passer en temps réel, par exemple dans les scénarios IIoT? Oui, bien sûr, il est possible de passer en temps réel. Dans ce cas, il faudrait utiliser un type de micrologiciel pré-noyau, qui est une sorte de système d'exploitation pré-OS. Cela permettrait la mise en œuvre de l'accès au code et au matériel en temps réel.Dans le cas d'un système d'exploitation en temps réel, la technologie de niveau pré-OS fournirait un fonctionnement en temps réel tandis que la technologie au niveau du système d'exploitation fournirait une communication d'interface utilisateur. À propos de Toradex: Toradex a été fondée en 2003 en Suisse et compte plus de 3 000 clients actifs à travers le monde. Une entreprise en pleine croissance avec plus de 100 employés dans neuf pays. L'expertise IoT de SaM Solutions: l'expertise IoT de SaM Solutions a été utilisée par des entreprises de nombreux secteurs, notamment la vente au détail, l'automobile, les produits de consommation et la fabrication. Pour plus d'informations, consultez notre page sur les services de développement IoT. La maintenance prédictive utilisant la technologie IoT est un domaine sur lequel nous nous concentrons depuis de nombreuses années, ce qui est l'une des raisons pour lesquelles nous avons lancé ce projet de développement de prototypes.Andrei Andreyanov, ingénieur logiciel senior SaM Solutions: responsable des systèmes embarqués et développeur Linux expérimenté dans développement / intégration de pilotes de noyau, personnalisation du chargeur de démarrage / noyau pour les besoins spécifiques du projet, y compris DeviceTree, BSP (packages de support de carte), Yocto, compilation croisée et script. Expérience significative dans le développement de solutions pour ESP-32, ARM, AM335x, CPU Samsung S3C2410, AVR d'Atmel; Prototypage / soudure de PCB et conception de matériel.

Laisser un commentaire