AI在可预测性维护等工业状态检测中的应用分析

  作者:王 莹 时间:2019-11-29来源:电子产品世界

  王 莹 (《电子产品世界》编辑,北京 100036)

  摘 要:访问了ADI、ST、瑞萨、TI公司,请他们介绍了AI在可预测性维护等工业状态检测方面的技术进展和产品动向。

  关键词:可预测性;维护;计算机听觉;传感器;大数据

  1 计算机听觉等感测系统助力工业状态检测

  AI对世界的改变正在从我们生活中可见可感的场景向包括工业在内的广泛领域拓展。对工业带来的变革将是全面而多样的,我们可以从应用广泛的工业条件监测来看AI如何产生巨大的影响。

  1.1 计算机听觉及OtoSense体系结构

  参与工业设备维护的人都知道,设备发出的声音和振动是很重要的信息,通过声音和振动可以判断设备是否健康,从而可以将维护成本降低一半,使用寿命延长1倍。实现实时声学和振动数据分析是一种重要的基于状态的系统监测方法。过去我们可以凭着长期的经验去了解设备发出的正常声音是什么样的,当声音出现变化时从而可以确认出现异常。经验丰富的技工人员和工程师可能具备这种知识,但他们属于“稀缺资源”。

微信截图_20191202162149.png

  ADI公司团队在过去20年里一直致力于理解人类是如何解读声音和振动的,从而建立一个系统来学习、解译设备的声音和振动的含义,以检测异常行为并进行诊断。随着AI技术的导入,这种愿望已经变成现实。其中,ADI公司的OtoSense体系结构就是一种设备健康监测系统,支持计算机听觉,让计算机能理解设备发出的声音和振动主要指标,能在问题变得严重之前确定工厂机器或汽车发动机中的潜在问题。OtoSense的设计理念秉持了几个AI应用指导原则:从人类神经学中获得灵感;能够学习静态声音和瞬态声音;在靠近传感器的终端进行识别;与人类专家互动,向他们学习并不断优化完善。

  1.2 高精度传感器及振动检测系统

  如果没有高精度的数据输入,再强大的AI系统都不能发挥其功能,对于工业状态监测来说也是如此。加速度计是工业振动监测的关键传感器,其关键指标是低噪声和宽带宽,因此ADI在工业状态监测应用中率先推出了多个系列的高性能MEMS加速度计产品。

  例如,ADXL100x系列单轴加速度计针对工业状态监控应用而优化,测量带宽高达50 kHz,g值范围高达±100 g,并且拥有超低的噪声性能,旋转机械中发生的主要故障(如套筒轴承损坏、对准误差、不平衡、摩擦、松动、传动装置故障、轴承磨损和空化)都在ADXL100x系列状态监控加速度计的测量范围以内。

  此外,完整的振动检测系统ADcmXL3021还将高性能振动检测和各种信号处理功能相结合,借助宽带宽(3 dB平坦度内为DC至10 kHz)和典型超低噪声密度(26 µg/√Hz)可以跟踪许多机器平台上的振动信号,可简化状态监测系统中的智能传感器节点开发。

  1.3 收购电机预测性维护公司,强化基于状态的监控方案

  ADI 的基于状态的监控解决方案可提供更高水平的诊断和更深刻的洞察力,能够实现预测性的机器健康解决方案。了解如何优化信号链和处理能力以便在单个机器和整个系统上获得实时、准确且可靠的数据。

  值得一提的是,为进一步加强基于状态监测的预测性维护解决方案,ADI于2019年宣布收购一家专门从事电机和发电机预测性维护的公司Test Motors,ADI将结合其原有的工业状态监测解决方案技术,以及OtoSense的AI平台传感解译软件与Test Motors的监控功能相结合,创建更优化的解决方案,通过捕获更广泛的潜在故障,为机器提供更先进、全面的健康状况监测。

  2 为MCU赋能工业AI

  2.1 边缘AI给工业带来的变化

  边缘AI技术可以用于开发更智能的设备/应用。在遇到通常需要人工决策的复杂事件时,这些设备将能自行作出决策。

微信截图_20191202162040.png

  因为本次采访是工业专题,所以ST(意法半导体)以电机为例讨论边缘AI。工业设备应该24/7全天候运转,所以密切监视设备老化程度是非常重要的。

  在此电机上添加一个运行AI的智能单元,能准确地检测到老化现象,将有助于预测故障并防止停机停产。

  有趣的是,因为电机上装有AI设备,不需要一直连接到云端,就能准确地检测到迫在眉睫的重大故障,如果威胁到操作员人身安全,还可以决定停止电动机运行。总之,其特点可以归纳为:

  ● 最便宜的工业设备维护成本;

  ● 为周围用户提供更安全的工作环境;

  ● 处理速度快,延迟时间短,而非边缘智能设备本机因为没有装置AI,需要连接到云服务器才能做出决策;

  ● 可降低设备的能耗,因为智能设备的能耗远远低于连接云AI解决方案;

  ● 更好的安全性能/隐私保护,因为智能设备可以自行在本机上处理工业设备数据,不会将数据发送到云服务器(不易遭受黑客网络攻击)。

  2.2 工业AI的技术挑战

  当今的主要挑战是,客户非常想要通过AI提高应用的智能程度,或者想在产品上增加AI。然而有这方面知识或经验的厂商寥寥无几。

  另一个挑战可能是数据隐私,目前大多数客户对数据上云的做法仍持谨慎的态度。

  为此,ST意识到有必要为客户提供一个边缘AI开发生态系统,方便客户在微控制器上添加AI。因此,ST在2018年CES(美国消费电子展)上发布了STM32Cube.AI,帮助客户解决这个难题。STM32Cube.AI是一款软件工具,用于为意法半导体微控制器优化DNN(深度神经网络)。

  STM32Cube.AI可以从众多流行的AI开发框架中(如Keras, Tensorflow Lite等)获取接受过预训练的神经网络模型输出,并将其映射到经过优化后、适用于目标STM32 MCU的存储及处理能力的DNN中去。

  更通俗地讲,STM32Cube.AI是一个生态系统的通用名称,用于在STM32上实现AI功能。 它是众多工具的集合,包括硬件平台、合作伙伴、固件库、移动应用程序等,可在STM32微控制器上实现AI功能。有了STM32Cube.AI,让客户在STM32系列上运行AI变得非常轻松简单。

  关于数据隐私问题,ST可以帮助客户在边缘(STM32)而非在云(服务器)上运行AI。这样就不需要将数据传输到云,可以使客户隐私得到更好的保护。与在云计算相比,边缘(STM32)计算的其他优点还包括:更低功耗、更安全。在边缘端(STM32)运行AI,可以有效减少智能边缘设备的功耗,以及在设备和云之间传输数据带来的额外功耗。更重要的是,在边缘运行AI可以让设备在尽可能低延迟的情况下,自行作出决策并对设备进行实时控制,从而避免因操作不及时给用户或机器带来的安全隐患和直接损失。

  3 智能工厂的AI 趋势:从工业终端设备智能化向工厂整体智能化演进

  3.1 边缘AI给工业带来的变化

  边缘AI计算是更靠近物或数据源头的网络边缘,融合了网络、计算、存储以及应用处理能力的分布式平台,就近提供智能服务。边缘计算将云计算和数据存储能力下沉到边缘,更好地保障了应用服务的低延时、高可靠性以及数据安全。因此边缘云计算技术将成为人工智能、物联网等领域的关键组成部分,也将得到更大的发展,覆盖的潜在客户和场景将不断出现。

微信截图_20191202161911.png

  3.2 边缘计算的技术挑战

  随着互联网时代的到来及AI技术的普及,越来越多的智能化设备走进了我们的生活。“设备端、云端、大数据、物联网”相辅相成,共同编织成了一个完善的智能化、数字化世界。目前绝大多数智能化设备的AI学习和推理都必须依靠强大的云端计算能力来进行数据分析与算法的运作。但是,如果设备过分依赖云端进行所有AI学习和推理,确实还存在着上传云端过程中因网络带宽问题而产生的通信延迟等问题。诸如此类数据的处理挑战将会在未来几年内进一步加剧。

  3.3 瑞萨的e-AI解决方案

  面向智能工厂的AI发展,瑞萨认为会以从工业终端设备智能化逐渐向工厂整体智能化的形式演进。瑞萨e-AI致力于在工业终端设备系统所搭载的MCU/SoC上有广泛的应用。基于用户的既有制造设备,瑞萨首先会提供附加AI单元的解决方案,来拓展该市场,从而使e-AI的实用性得到市场广泛的理解,进而推进各工业终端设备的e-AI预安装解决方案的普及,最终使瑞萨的e-AI得到广泛的发展。

  2017年7月,瑞萨电子首次推出e-AI方案,通过瑞萨电子提供的e-AI翻译器,把客户AI模型翻译到C语言,然后在瑞萨电子的MCU/SoC里进行AI的终端推理功能。

  2018年10月,瑞萨电子推出第二代的e-AI解决方案,将瑞萨电子独有的DRP技术嵌入芯片,实现基于DRP的e-AI解决方案。DRP是执行e-AI以及优化最终产品整体性能的核心技术之一。瑞萨有具体的对比表显示相较于竞争对手产品的优势。与FPGA相比,DRP具有更高的灵活性和节省成本,因为算法的种类和大小可以由同一个DRP硬件进行时间复用处理。DRP的灵活性非常适合于AI产业的DNN的快速演化。此外,由于DRP是一种低时钟速率的硬件加速器,因此其功率效率远优于竞争对手(如GPU)。即使是AI推理也不需要散热器。

  4 边缘AI为工业界带来的新变化

  边缘AI将会给许多工业领域带来变化,包含对环境与目标的智能感知,识别与判断,对机器运行的最优化控制,对设备的预测性维护,等等,非常多的领域都会用到。在不远的将来,AI将无处不在,许多工业设备正在从目前的“可编程”转向AI与边缘计算,而边缘AI作为边缘端计算的核心部分,将发挥重要的作用。

  针对边缘AI应用,TI推出了系列应用处理器:Sitara工业应用处理器产品家族是客户针对工业AI 应用的极佳选择。例如,目前推出并已经量产的AM574x应用处理器,基于典型的多核异构处理器结构,内部集成多个A15CPU+M4 控制器,多核C66x DSP与机器学习加速器 (EVE), GPU以及ISP单元,非常适合边缘AI的应用;无论是目前流行性的针对于机器视觉的CNN(卷积神经网络),还是适合于语音、设备预测性维护数据分析等其他应用的RNN (递归神经网络),都能利用AM574x内部的硬件单元得到加速。TI还将在近期内推出更新的一代产品AM7x 应用处理器,其边缘AI的性能会得到更大的提升。

微信截图_20191202161720.png

  为了方便客户更容易地部署边缘计算,TI还推出了深度学习软件框架 (TI Deep Learning softwareframework,简称TIDL),针对目前流行的各种机器学习系统(例如TensorFlow,Caffee 等),客户可以把采集到的各种有效样本在云端/PC端做训练,生成对应的网络结构并无缝部署到Sitara应用处理器上去运行,这样一来,极大地简化了客户的产品开发流程,缩短客户的产品开发时间与成本,快速响应市场。而且产品部署以后,也能在后续的使用中不断地收集新的样本,系统进行迭代训练与升级,不断地提高系统的边缘AI性能。

  工业应用需要满足客户长期的供货生产以及稳定的质量维护系统(往往供货周期要求保证超过10年以上);同时满足各种工业级的质量与安全标准,在这方面,对应于AI与边缘AI这样一个新课题,TI同样承诺一个长时间的供货周期以及系统的维护与升级,TI的DSP产品家族以及Sitara工业应用处理器产品家族,在这方面给业界提供了一个榜样。

  本文来源于科技期刊《电子产品世界》2019年第12期第9页,欢迎您写论文时引用,并注明出处。

关键词: 201912 可预测性 维护 计算机听觉 传感器 大数据

加入微信
获取电子行业最新资讯
搜索微信公众号:EEPW

或用微信扫描左侧二维码

相关文章


用户评论

请文明上网,做现代文明人
验证码:
查看电脑版