השימוש בחיישן זרם לאיסוף נתונים יעיל עבור תחזוקה פרדיקטיבית עם AI

האינטרנט של דברים (IoT) הביא להתענינות מרשימה בשימוש בטכנולוגיות בינה מלאכותית (AI) ולמידת מכונה (ML) כדי לנטר את תקינותן של מכונות כולל מנועים, גנרטורים ומשאבות, ולהתריע למהנדסי תחזוקה על בעיות מתהוות. קושי אחד עבור מתכנני מערכות AI/ML המעוניינים לממש תחזוקה פרדיקטיבית מסוג זה היא בחירת החיישן הטוב ביותר עבור היישום. נושא נוסף הוא שלמתכננים מעטים יחסית יש ניסיון כלשהו ביצירת יישומי AI/ML.

כדי להשיג את הנתונים שמערכת AI/ML‏ תפעל עליהם, המתכננים בוחרים לרוב בחיישנים מתוחכמים כמו מדי-תאוצה תלת-ציריים, ביחד עם פלטפורמות פיתוח מיקרו-בקרים רבות עוצמה. אולם במקרים רבים ניתן להשיג את המטרה הרצויה באמצעות חיישן זרם פשוט בשילוב עם פלטפורמת פיתוח מיקרו-בקרים צנועה יותר ויקרה פחות.

מאמר זה מציג את הרעיון של שימוש בשנאי חישת זרם כדי להשיג את הנתונים הנדרשים למימוש יישומי AI/ML‏ בפשטות ועם יחס עלות-תועלת מיטבי. בעזרת פלטפורמת פיתוח מיקרו-בקר IoT‏ מבית Arduino בעלות נמוכה ושנאי חישת זרם מבית ‏CR Magnetics, המאמר מציג גם מעגל פשוט המשתמש בחיישן זרם לניטור תקינות משאבת ואקום עם מסנן משולב, המתריע למשתמש כאשר המסנן נסתם. לבסוף, המאמר מציג סקירה כללית של תהליך יצירת יישום AI/ML‏ קשור.

חיישנים פשוטים עבור AI/ML‏

כדי להשיג את הנתונים שמערכת AI/ML‏ תפעל עליהם, המתכננים בוחרים לרוב בחיישנים מתוחכמים כמו מדי-תאוצה תלת-ציריים; אך סוג זה של חיישנים יכול ליצור כמויות אדירות של נתונים שקשה לעבד ולהבין אותם. כדי למנוע את המורכבות הזו, כדאי לזכור שהכל קשור זה בזה. בדיוק כמו שפגיעה בחלק אחד בגופו של האדם עלולה לגרום לכאב המיוחס למקום אחר בגוף, מסב פגום במנוע יכולה לשנות את הזרם המשמש להנעת אותו מנוע. בדומה, בנוסף לגרימת התחממות-יתר, כניסת אוויר חסומה יכולה גם לשנות את הזרם המשמש להנעת המנוע.

כתוצאה מכך, ניטור היבט אחד של פעולת המכונה עשוי להאיר היבטים אחרים של פעולתה. כתוצאה מכך ניתן להשיג את מטרת הניטור והחישה הרצויה על ידי התבוננות בפרמטר רלוונטי באמצעות חיישן פשוט יותר משמעותית, כגון שנאי חישת זרם עם ליבה מפוצלת בגודל קטן ובעלות נמוכה CR3111-3000‏ מבית CR Magnetics‏ (איור 1‏).

איור 1‏: שנאי חישת זרם עם ליבה מפוצלת CR3111-3000‏ מספק גלאי זרם קל-לשימוש היכול לשמש כחיישן עיקרי ביישומי תחזוקה פרדיקטיבית AI/ML‏. (מקור התמונה: CR Magnetics)

ה- CR3111-3000 יכול לשמש לגילוי זרם של עד 100 אמפר (A) (ניתן להשתמש ביתר רכיבי משפחת CR31xx לערכי זרם קטנים יותר או גדולים יותר). כל רכיבי המשפחה תומכים בתחום תדרים של 20 הרץ (Hz‏) עד 1 קילוהרץ (kHz‏), המכסים את מרבית היישומים התעשייתיים. כמו כן, כל התקני CR31xx משתמשים בציר ובנעילה בהצמדה המאפשרים לחבר אותם מבלי לנתק את החוט נושא הזרם.

ה- Arduino Nano 33 IoT

דוגמה אחת לפלטפורמת פיתוח מיקרו-בקר בעלות נמוכה המתאימה לאבות-טיפוס של יישומי AI/ML‏ פשוטים היא ה- Arduino Nano 33 IoT‏ ABX00032‏ מבית Arduino (איור 2). עם מעבד ATSAMD21G18A‏ Bit‏-32‏ +Cortex®-M0‏ ®Arm‏ הפועל ב- 48 מגה-הרץ (MHz‏) עם זיכרון Flash‏ של 256 קילו-בייט (Kbytes‏) וזיכרון SRAM‏ של Kbytes‏ 32‏, ה- Nano 33 IoT‏ מבית Arduino‏ גם מגיע מצויד בחיבוריות Wi-Fi ו- Bluetooth גם יחד.

איור 2‏: ה- ABX00032 Nano 33 IoT‏ מבית Arduino‏ מספק פלטפורמה בעלות נמוכה שעליה ניתן לבנות יישומי AI/ML‏ כדי לשפר התקנים קיימים (וליצור חדשים) כחלק מה- IoT. (מקור התמונה: Arduino)

מעגל איסוף נתונים

המעגל המשמש לצורך דיון זה מוצג להלן באיור 3. ה- CR3111-3000 משנה את הזרם הנמדד המניע את המכונה לזרם קטן בהרבה ביחס של 1000:1.

איור 3: המעגל המשמש להמרת היציאה מה- CR3111-3000 לצורה שיכולה לשמש את ה- Nano 33 IoT מבית Arduino‏ עם כניסות ה- 3.3 וולט שלו. (מקור התמונה: Max Maxfield‏)

הנגד R3 המחובר על פני הסליל השניוני (היציאה) של ה- CR3111-3000 משמש כנגד עומס, ומייצר מתח יציאה פרופורציונלי לערך הנגד לפי גודל הזרם הזורם דרכו.

הנגדים R1 ו- R2 משמשים כמחלקי מתח, ויוצרים "הארקה וירטואלית" עם ערך של 1.65 וולט. זה מאפשר לערכים מה- CR111-3000‏ לנוע בין חיוביים ושליליים ועדיין לא להגיע למתח הפס, מכיוון שהמיקרו-בקר אינו יכול לקבל מתחים שליליים. הקבל C1 מהווה חלק ממסנן רעשי RC המפחית את הרעש מהספקת ה- 3.3 וולט ומשדות תועים סמוכים מלהגיע למדידות, ובכך מסייע למחלק המתח לפעול כהארקה טובה יותר.

משאבת ואקום עם מסנן משולב שימשה כדי לספק עמדת בדיקה להדגמה. עבור אב-טיפוס זה הוכנס כבל כוח מאריך P006-001‏ 1 רגל (ft‏) מבית Tripp Lite‏ בין ספק-הכוח לבין משאבת הוואקום (איור 4).

איור 4‏: כבל כוח מאריך של 1 רגל עם השינוי המאפשר את השימוש בחיישן זרם. (מקור התמונה: Max Maxfield‏)

מעגל האב-טיפוס מומש באמצעות רכיבים מארון חלקי החילוף של הכותב (איור 5). רכיבים אקוויולנטים הזמינים מיידית הם כדלהלן:

• (1‏) לוח אב-טיפוס (Breadboard‏) 64‏ מבית Adafruit‏
• (1‏) ערכת חוטים מוכנים-מראש לשימוש עם לוחות אב-טיפוס TW-E012-000‏ מבית Twin Industries
• (1‏) נגד חור-עובר 150 אוהם (Ω‏) %‏1‏± 0.25 וואט (W‏) RNMF14FTC150R‏ מבית Stackpole Electronics‏
• (2‏) נגדי חור-עובר 10 קילו-אוהם (kΩ‏) %‏1‏± W‏ 0.25‏ RNF14FTD10K0‏ מבית Stackpole Electronics‏
• (1‏) קבל אלקטרוליט אלומיניום 10 מיקרו-פאראד (µF‏) 63 וולט ESK106M063AC3FA‏ מבית KEMET

איור 5‏: מעגל האב-טיפוס מומש באמצעות לוח אב-טיפוס (Breadboard‏) קטן ורכיבים מארון חלקי החילוף של הכותב. (מקור התמונה: Max Maxfield‏)

ביחס למוליכים מחיישן הזרם, פיני לחיצה AWG‏ 28‏-22‏ 1931‏ מבית .Pololu Corp‏ הורכבו בקצוות. פינים אלו נתחבו אחר כך לתוך בית מלבני שחור ‎5 x 1‏ 1904‏ עם פסיעה של 0.1 אינץ' (.in‏) (2.54 מילימטר (מ"מ)), גם כן מבית Pololu.

יצירת יישום AI/ML‏

כדי ליצור את יישום ה- AI/ML שימשה גרסת ניסיון חינמית של NanoEdge AI Studio‏ אליה ניתן לגשת מאתר האינטרנט של חברת Cartesium‏ (ראו גם "הביאו בקלות בינה מלאכותית לכל מערכת תעשייתית").

כאשר תוכנת NanoEdge AI Studio מופעלת, המשתמש מוזמן ליצור ולתת שם לפרויקט חדש. לאחר מכן נשאל המשתמש לגבי המעבד שבשימוש (+ARM Cortex-M0 במקרה של לוח הפיתוח של Nano 33 IoT‏ מבית Arduino‏), סוג החיישן בו משתמשים (חיישן זרם במקרה זה), וכמות הזיכרון המקסימלית שיש להקדיש למודל AI/ML‏ זה (נבחרו 6 קילו-בייט עבור הדגמה זו).

על מנת ליצור את מודל ה- AI/ML‏, ראשית יש צורך לאסוף דגימות מייצגות של נתונים טובים ורעים (איור 6‏). תוכנית Sketch‏ פשוטה של Arduino יוצרה כדי לקרוא ערכים מחיישן הזרם. ניתן לטעון נתונים אלה ישירות ל- NanoEdge AI Studio מיציאת ה- USB של המיקרו-בקר "תוך-כדי-פעולה". לחלופין, ניתן לאסוף את הנתונים לקובץ טקסט, לערוך אותם (כדי להסיר דגימות לא-רצויות בתחילת ובסיום הריצה), ואז לטעון אותם לתוך ה- NanoEdge AI Studio.

איור 6‏: השוואה בין נתונים טובים/נורמליים (למעלה) לבין נתונים רעים/לא-תקינים (למטה). מלבד ההבדלים הצבע, אלו לא נראים שונה לעין האנושית, אך מודל AI/ML‏ מתאים יכול להבחין ביניהם. (מקור התמונה: Max Maxfield‏)

הנתונים הטובים נאספו כאשר משאבת הוואקום פעלה באופן הנורמלי שלה. כדי לאסוף את הנתונים הרעים, מסנן האוויר של המשאבה נחסם עם דיסק של נייר.

על סמך הנתונים הטובים והרעים, ה- NanoEdge AI Studio מייצר את פתרון ספריית AI/ML‏ הטוב ביותר מתוך 500 מיליון צירופים אפשריים. ההתקדמות השוטפת שלו מוצגת במגוון של דרכים שונות, כולל תרשים פיזור המראה עד כמה האותות הנורמליים (בכחול) הם מובחנים לעומת האותות הלא-תקינים (באדום) ביחס לערך סף, שהוגדר ל- 90% בדוגמה זו (איור 7‏).

איור 7‏: ה- NanoEdge AI Studio מעריך עד 500 מיליון מודלי AI/ML‏ שונים כדי לקבוע את התצורה האופטימלית של נתונים נורמליים ושל נתונים לא-תקינים. המודלים הראשוניים מצליחים לעיתים רחוקות (למעלה), אך הכלי חוזר אוטומטית על פתרונות יותר ויותר טובים עד שהמפתח מחליט לעצור (למטה). (מקור התמונה: Max Maxfield‏)

המודלים המוקדמים מתקשים בדרך כלל להבחין בין נתונים נורמליים לבין נתונים לא-תקינים, אך המערכת מעריכה צירופים שונים של אלמנטים אלגוריתמיים תוך שימוש חוזר ונשנה בפתרונות יותר ויותר מדויקים. במקרה זה, התהליך נעצר לאחר שהוערכו 58,252 ספריות. הספרייה שהתקבלה (המודל) היה בגודל של Kbytes‏ 2 בלבד.

חשוב לציין כי בשלב זה, המודל נמצא בצורתו הלא-מאומנת. גורמים רבים ושונים עשויים להשפיע על דרכי הפעלת המכונות. לדוגמה, שתי משאבות ואקום זהות לכאורה יכולות להיות מותקנות במקומות שונים - למשל, אחת על גבי לוח בטון והשנייה על רצפה תלויה. או שאחת המכונות יכולה להיות ממוקמת בסביבה חמה ולחה, ואילו השנייה עשויה להיות בסביבה קרה ויבשה. יתר על כן, אחת יכולה להיות מחוברת לאורכים ארוכים של צינורות מתכת, ואילו השנייה יכולה להיות מחוברת לאורכים קצרים של צינורות פלסטיק.

לפיכך, השלב הבא הוא שילוב הספרייה בתוך יישומים הפועלים על המיקרו-בקרים והחיישנים המחוברים למכונות הפרושות בעולם האמיתי. מודלי ה- AI/ML‏ במכונות השונות יאמנו את עצמם באמצעות נתונים טובים מהתקנות העולם האמיתי אלו. לאחר פרק הזמן של אימון-עצמי זה, ניתן לאפשר למודלי ה- AI/ML‏ לנטר את בריאות המכונות, לחפש אנומליות ומגמות ולדווח על ממצאיהם ותחזיותיהם למפקחים אנושיים.

סיכום

תחזוקה פרדיקטיבית באמצעות AI/ML‏ מאפשרת למהנדסים להתמודד עם בעיות לפני שהתקלות קורות למעשה. עם זאת, החומרה המשמשת למימוש מערכת תחזוקה פרדיקטיבית צריכה להיות פשוטה ועם יחס עלות-תועלת מיטבי ככל האפשר; וכמו כן, המתכננים זקוקים לגישה מוכנה לתוכנה הנדרשת לצורך ביצוע ניתוח הנתונים.

כפי שהוצג, במקום לבחור במד-תאוצה מורכב רב-צירים וחומרה נלווית, שנאי זרם מפוצל-ליבות CR3111-3000 פשוט בעלות נמוכה ובגודל קטן המחובר לפלטפורמת מיקרו-בקר יכול לבצע את החישה ואת איסוף הנתונים הנדרשים. ביחד עם החידושים בכלי AI/ML‏ ובאלגוריתמים, גם מי שאינם מומחים ב- AI/ML‏ יכולים כעת ליצור מודלי AI/ML‏ מתוחכמים הניתנים לפרישה במגוון רחב של יישומי חישה פשוטים ומורכבים כאחד.