WISE-750是集成机器学习功能的以太网高速同步采集模块,通过采集电压信号和与WISE-750一起打包的加速度传感器PCL-M10测量振动信号。测量完成后,由AI芯片进行机器学习建模并得到特征值,告诉产品是否合格、机器是否健康等。特征值信息可以通过以太网或数字报警信号发送,也可以将原始数据上传进行后续分析。WISE-750提供数据采集、数据处理、振动传感器和以太网连接,可用于分布式高速采集、产品质量检测和旋转机械,如机床、泵和电梯等电机驱动设备的PHM等。
主要特性
设定报警偏移值,当新采集到样本的模型与AI机器学习的模型偏差超出设定偏移后,产生报警。
WISE-750内置的AI芯片应用
e-AI能够嵌入在已有的制造装置中,并非将庞大的传感器数据上传至网络,而是在终端上通过e-AI预判设备是否产生异常。同时它仅将判断结果告知生产管理系统,因此,可以在不过多占用网络带宽的状况下,实现实时自主控制。
01
机械手臂运动异常检测
如图所示,该演示应用中主要是一个传送系统,通过机械手臂将物体移动到合适的位置,通过检测机械手臂的动作,再根据e-AI来判断其异常情况,在PC上位机软件上面进行显示信息和异常通知。
传送系统中,机械手臂上的加速度传感器会读取振动信息,并将信号传送给微控制器,结合e-AI人工智能单元对信号进行识别,从而判断是否为异常。
整个识别过程可以分为3个关键步骤,分别为采集、分析、判定。采集的信号传入系统中,会生成振动波形,将波形的数据执行傅里叶FFT处理,并由人工智能单元进行比较分析,最后判定系统是否处于异常。
计算机中已经安装了机器手臂的正常运动波形的学习模型,AI单元对采集到的实时波形和正常波形数据进行比较判断,从而检测出机器运动中的任何异常。
AI单元具有多个输入和输出,它可以用于预先判断的数据处理(预处理),例如使用多个传感器进行感应,并通过其采集的触发信号进行波形生成。
在本演示中,机械手臂的运动波形并不是整个运动过程都会显示,只有当机械手臂放置物体的过程中,才会记录并显示其振动波形,这是通过一个钳位传感器来检测触发实现的。
02
齿轮转动缺陷异常检测
如上图所示,该演示应用中通过一个电机分别联动3个不同的齿轮转动,其中有一个是正常齿轮,另外两个是有缺陷的齿轮,通过AI单元来判断并识别出其中的2个缺陷齿轮,同样在PC上位机软件上面进行显示信息,并且可以在软件中根据自定义设置,来优化整个异常判断系统。
演示应用首先会通过振动传感器来采集齿轮运动的振动信号,将信号传输给AI单元,并深度学习框架来自我学习正常齿轮转动的运动模型,模型一旦生成好之后,就可以用来检测其他有缺陷的齿轮运动,从而识别出缺陷齿轮。
在这里,我们将正常的齿轮联动电机转动,有缺陷的2个齿轮先放置在电机驱动齿轮箱内以便之后使用,正常齿轮转动后将振动传感器连接到AI单元并记录正常齿轮的振动波形。
通过学习框架,AI单元学习并记录振动的波形。在上位机软件中,可以设置需要学习的波形时间段,来执行传感器输入的滤波处理和FFT处理等,并且能使用PC上的工具修改这些过程的各种设置。
齿轮的运动模型的自我学习是在PC上位机软件上完成,因为由于需要大量的计算而无法在微控制器上完成。如果用户能够创建经验丰富的人工智能模型,它可以转换为AI参数,通过使用e-AI转换器将应用代码下载到AI单元中,并在微控制器中执行。
将参数写入到AI单元完成后,通过使用工具并判断振动传感器的波形,将波形数据与正常齿轮运行模型数据进行比对,如果齿轮没有损坏,则判断它们为“正常”,如果切换到有缺陷的齿轮,则判断它们为“异常”。
参考链接
本文分享自 智能制造预测性维护与大数据应用 微信公众号,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ,欢迎热爱写作的你一起参与!