WISE-750||集成机器学习芯片的以太网高速同步采集模块
WISE-750||集成机器学习芯片的以太网高速同步采集模块
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
- 内置AI芯片可用于产品质量检测和PHM的机器学习
- 内置频谱分析和特征值提取功能
- 通过USB或以太网进行原始数据上传
- 4通道同步模拟输入@ 200kS/s采样率
- 包括2个振动传感器
- 多种触发器类型和采样模式
- LED状态指示
- 2个菊花链以太网接口
- 通过数字输出和以太网进行报警
- 低功耗
操作模式
1、特征值模式
提取MAX, MIN, Peak, Peak toPeak，RMS等特征值参数，进行品质检测和故障诊断。
2、机器学习模式:
内置AI芯片通过机器学习进行品质检测和故障诊断。
将正常状态下采集到的数据分为学习样本和测试样本，通过WISE内置的AI芯片进行机器建模，保存模型。
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。
3、Datalogger模式
将原始数据和特性数据保存为CSV文件，上传到上位机进行品质检测和故障诊断
WISE-750内置的AI芯片应用
WISE-750采用瑞萨 RZ/T1 ARM®Cortex®-R4 FPU核处理器和e-AI机器学习芯片。瑞萨电子的e-AI，可直接融合到广大工厂的现有设备中，加速“实时”和“安全”，推进工厂智能化。特别是，对工厂的现有设备可进行e-AI改造，立即使用e-AI技术，从而使设备实现人工智能操控。e-AI将能够实现预测性维护，在工厂中，可以提升产品良率，提高效率。
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。
以下内容来自芯文芯事丨瑞萨e-AI异常预断，助力实现智能制造系统
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！
腾讯云开发者
