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.
Pour un bref aperçu de ce projet, accédez à la page d'étude de cas IoT de maintenance prédictive. 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 (quelle que soit l'industrie). 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 et de la force des vibrations. Dans notre concept de projet, nous avons décidé que se concentrer sur les vibrations et la force du moteur serait le meilleur moyen d'analyser son comportement et son état de fonctionnement.
Nous devions établir une ligne de base de l'activité motrice (par exemple, limites de fonctionnement normal, marche / arrêt, panne, 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 techniques
Objectifs pratiques
D'un 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 signifierait tout problème, problème ou variation de l'état du moteur directement à l'utilisateur final.
Objectifs techniques
Dans le contexte technique, nous nous sommes attachés à 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-formés.
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 des mises à jour des données en temps réel.
Pourquoi nous avons choisi une solution basée sur le cloud
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 être négligées:
L'ensemble de la solution doit être développé et mis 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 solutions non cloud ne fournissent pas une surveillance suffisante du système et des données.
Les solutions traditionnelles prennent beaucoup de temps et leur 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 notre système de maintenance prédictive, nous avons opté pour les technologies cloud car elles offrent des avantages significatifs par rapport aux solutions traditionnelles. Le cloud permet un développement, une mise à jour et une surveillance de logiciels rationalisés, ainsi qu'une sécurité et une flexibilité accrues.
Azure contre 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, car nous voulions un système flexible qui ne serait pas lié 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.
Schéma d'interaction de plate-forme
Nous avons fixé un capteur de vibrations au moteur à courant continu 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 en marche).
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 sur un appareil compatible IoT ou Edge computing via AWS, le stockage cloud Azure, etc.
La carte signale l’état du moteur via une interface Web ou divers protocoles de communication tels que MQTT, SMTP, etc. (en fonction des besoins commerciaux 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
Quand 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 des données qui sont ensuite envoyées 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 de l'état actuel du moteur – il est présenté et mis à jour en temps réel.
Ordinateur sur module Toradex
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 les fonctionnalités COM prennent en charge la communication sans fil et Bluetooth.
Le modèle fournit également un support 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 un large éventail d'environnements.
Détails du capteur de vibrations
Nous avons utilisé le MPU6050 d'InvenSense, qui combine deux types d'appareils différents sous un même capot.
Le capteur contient deux dispositifs à 3 axes: un gyroscope MEMS et un accéléromètre MEMS. 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 gyroscopiques et accélérométriques.
Lorsqu'il est en mode actif, il présente une faible consommation électrique et dispose également de nombreuses options d'interface de contrôle.
Succès du projet
Nous avons développé avec succès un prototype de maintenance prédictive qui produit des résultats de prédiction précis de 85 à 99%.
Pour la formation des modèles, nous avons implémenté avec succès des algorithmes basés sur l'IA pour une collecte et une analyse de données améliorées.
Nous avons utilisé des technologies innovantes de l'IoT, du cloud computing et de l'informatique 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.
Démo vidéo
Regardez 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 mettre à l'échelle le prototype via des capteurs supplémentaires (par exemple des capteurs optiques, des microphones, etc.). Prise de 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-formé 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 principale caractéristique que je pense est importante, nous pouvons utiliser l'algorithme sur Azure ou AWS, ce qui peut être très pratique en fonction des besoins du client.
Certains clients ont besoin d'Azure, d'autres d'AWS, nous avons donc poussé le concept selon lequel la solution peut être mise en œuvre sur les deux et transférée entre les plates-formes sans aucun problème.
Quels autres modèles de matériel pourrions-nous utiliser sur un projet similaire?
(Réponse de Toradex): Vous pourriez éventuellement utiliser beaucoup de modèles matériels que nous avons pour un tel projet, car les exigences d'interface ne sont pas si élevées. 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 une telle fonctionnalité est possible lorsque le modèle peut être entraîné par lui-même. Mais il faudra beaucoup plus d’efforts pour y parvenir, mais oui, c’est possible.
Par exemple, à l'aide de 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.
Cela peut nécessiter 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 la prédiction à l'interface Web ou vidéo.
Ainsi, dans ce type de cas, du personnel supplémentaire serait nécessaire pour s'assurer que la formation se déroule correctement et que les résultats des prévisions restent précis.
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 une vitesse plus élevée que les interfaces I²C. Utiliser quelque chose comme SPI fournirait les résultats plus rapidement que I²C. Cela dépend juste du projet.
Pourquoi utiliser un 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 d'un 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 de niveau OS 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 dans le monde. Une entreprise à croissance rapide 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, et c'est l'une des raisons pour lesquelles nous avons lancé ce projet de développement de prototype.
Andrei Andreyanov, ingénieur logiciel senior SaM Solutions:
Chef de file des systèmes embarqués et développeur Linux expérimenté dans le développement / l'intégration de pilotes de noyau, la personnalisation du chargeur de démarrage / du noyau pour les besoins spécifiques du projet, notamment DeviceTree, BSP (packages de support de carte), Yocto, la compilation croisée et la création de scripts. 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