Use um sensor de corrente para adquirir dados para manutenção preditiva com IA de forma eficiente

A Internet das Coisas (IoT) trouxe um tremendo interesse no uso de inteligência artificial (IA) e tecnologias de aprendizagem de máquinas (ML) para monitorar a saúde das máquinas, incluindo motores, geradores e bombas, e para alertar os engenheiros de manutenção sobre quaisquer problemas que possam surgir. Uma dificuldade para os projetistas de sistemas AI/ML que procuram implementar este tipo de manutenção preditiva é selecionar o melhor sensor para a aplicação. Outra questão é que relativamente poucos projetistas têm alguma experiência na criação de aplicações AI/ML.

Para obter os dados para que o sistema AI/ML atue, os projetistas freqüentemente optam por sensores sofisticados como acelerômetros de três eixos acoplados a plataformas de desenvolvimento de microcontroladores de alta potência. Em muitos casos, entretanto, é possível atingir o objetivo desejado usando um simples sensor de corrente em conjunto com uma plataforma de desenvolvimento de microcontroladores mais modesta e menos dispendiosa.

Este artigo introduz a idéia de usar um transformador de sentido de corrente para obter os dados necessários para implementar aplicações AI/ML de forma simples e econômica. Usando uma plataforma de desenvolvimento de microcontrolador Arduino IoT de baixo custo e um transformador de sentido de corrente da CR Magnetics, o artigo também apresenta um circuito simples que emprega o sensor de corrente para monitorar a saúde de uma bomba de vácuo com um filtro integrado, alertando o usuário quando o filtro ficar entupido. Finalmente, o artigo apresenta uma visão geral do processo de criação da aplicação AI/ML associada.

Sensores simples para AI/ML

A fim de adquirir os dados para uma aplicação AI/ML para atuar, os projetistas freqüentemente optam por sensores sofisticados como acelerômetros de três eixos; mas este tipo de sensor pode gerar grandes quantidades de dados que são difíceis de manipular e entender. Para evitar esta complexidade, vale a pena lembrar que tudo está inter-relacionado. Assim como uma lesão em uma parte do corpo de uma pessoa pode causar dor referida que é percebida em outra parte do corpo, um rolamento defeituoso em um motor pode modificar a corrente que está sendo usada para acionar esse motor. Da mesma forma, além de causar superaquecimento, uma entrada de ar bloqueada também pode modificar a corrente que está sendo usada para acionar o motor.

Conseqüentemente, o monitoramento de um aspecto do funcionamento de uma máquina pode lançar luz sobre outras facetas de seu funcionamento. Como resultado, é possível atingir o objetivo desejado de monitoramento e sensoriamento observando um parâmetro relacionado usando um sensor substancialmente mais simples, como o transformador de corrente de núcleo dividido CR3111-3000 da CR Magnetics (Figura 1).

Figura 1: O transformador detector de corrente de núcleo dividido CR3111-3000 fornece um detector de corrente de baixo custo e fácil de usar que pode ser empregado como o sensor primário em uma aplicação de manutenção preditiva AI/ML. (Fonte da imagem: CR Magnetics)

A CR3111-3000 pode ser usada para detectar corrente até 100 amperes (A) (outros membros da família CR31xx podem ser empregados para valores de corrente menores ou maiores). Todos os membros da família suportam uma faixa de freqüência de 20 hertz (Hz) a 1 kilohertz (kHz), cobrindo a maioria das aplicações industriais. Além disso, todos os dispositivos CR31xx empregam uma dobradiça e um encaixe de travamento que lhes permite serem fixados sem interromper o fio de transporte de corrente.

O Arduino Nano 33 IoT

Um exemplo de uma plataforma de desenvolvimento de microcontroladores de baixo custo adequada para a prototipagem de aplicações simples AI/ML é o ABX00032 Arduino Nano 33 IoT da Arduino (Figura 2). Apresentando um processador Arm® Cortex®-M0+ de 32 bits ATSAMD21G18A rodando a 48 megahertz (MHz) com 256 kilobytes (Kbytes) de memória flash e 32 Kbytes de SRAM, o Arduino Nano 33 IoT também vem equipado com conectividade Wi-Fi e Bluetooth.

Figura 2: O Arduino ABX00032 Nano 33 IoT fornece uma plataforma de baixo custo sobre a qual construir aplicações AI/ML para melhorar os dispositivos existentes (e criar novos) para fazer parte do IoT. (Fonte da imagem: Arduino)

Circuito de captura de dados

O circuito utilizado para esta discussão é mostrado abaixo na Figura 3. A CR3111-3000 transforma a corrente medida que conduz a máquina em uma muito menor, usando uma relação de 1000:1.

Figura 3: O circuito usado para converter a saída do CR3111-3000 em uma forma que pode ser usada pelo Arduino Nano 33 IoT com suas entradas de 3,3 volts. (Fonte da imagem: Max Maxfield)

O resistor R3, que é conectado através da bobina secundária (saída) da CR3111-3000, atua como um resistor de carga, produzindo uma tensão de saída proporcional ao valor do resistor, com base na quantidade de corrente que flui através dele.

As resistências R1 e R2 atuam como um divisor de tensão, formando uma "terra virtual" com um valor de 1,65 volts. Isto permite que os valores da CR111-3000 balancem positivos e negativos e ainda não atinjam um trilho, já que o microcontrolador não pode aceitar tensões negativas. O condensador C1 faz parte de um filtro de ruído RC que reduz o ruído do fornecimento de 3,3 volts e dos campos perdidos próximos de entrar nas medições, ajudando assim o divisor de tensão a agir como um melhor aterramento.

Uma bomba de vácuo com filtro integrado foi utilizada para fornecer uma bancada de teste de demonstração. Para os propósitos deste protótipo, o cabo de força de extensão P006-001 1 pé (ft.) da Tripp Lite foi inserido entre a fonte de alimentação e a bomba de vácuo (Figura 4).

Figura 4: O cabo de força de 1 pé de extensão que foi modificado para aceitar o sensor de corrente. (Fonte da imagem: Max Maxfield)

O circuito protótipo foi implementado utilizando componentes do baú de peças de reposição do tesouro do autor (Figura 5). Os equivalentes prontamente disponíveis seriam os seguintes:

• (1) Pão Adafruit 64
• (1) Kit de arame pré-formado TW-E012-000 para uso com placas de pão
• (1) Pilha eletrônica RNMF14FTC150R 150 ohm (Ω) ±1% 0,25 watt (W) resistor de passagem
• (2) Stackpole Electronics' RNF14FTD10K0 10 kiloohm (kΩ) ±1% 0,25 W de resistência de furo passante
• (1) KEMET ESK106M063AC3FA 10 microfarad (µF) condensador eletrolítico de alumínio de 63 volts

Figura 5: O circuito protótipo foi implementado utilizando uma pequena tábua de pão e componentes da arca do tesouro do autor de peças de reposição. (Fonte da imagem: Max Maxfield)

Com relação aos cabos do sensor atual, em 1931 foram frisados nas extremidades pinos de engaste de 22-28 AWG da Pololu Corp. Estes pinos foram posteriormente inseridos em uma caixa retangular preta de 1904 de 5 x 1 polegadas (pol.) (2,54 milímetros (mm)) de passo, também de Pololu.

Criando a aplicação AI/ML

A fim de criar o aplicativo AI/ML, uma versão experimental gratuita do NanoEdge AI Studio foi acessada do site do Cartesium (veja também, "Trazer Facilmente Inteligência Artificial para Qualquer Sistema Industrial").

Quando o NanoEdge AI Studio é lançado, o usuário é convidado a criar e nomear um novo projeto. O usuário é então consultado sobre o processador que está sendo usado (um Cortex-M0+ de braço no caso da placa de desenvolvimento Arduino Nano 33 IoT), o(s) tipo(s) de sensor que está(m) sendo usado(s) (um sensor atual neste caso), e a quantidade máxima de memória que deve ser dedicada a este modelo AI/ML (6 Kbytes foi selecionado para esta demonstração).

Para criar o modelo AI/ML, é necessário primeiro capturar amostras representativas de dados bons e ruins (Figura 6). Um simples esboço Arduino (programa) foi criado para ler os valores do sensor atual. Estes dados podem ser carregados diretamente no NanoEdge AI Studio "on-the-fly" a partir da porta USB do microcontrolador. Alternativamente, os dados podem ser capturados em um arquivo de texto, editados (para remover amostras espúrias no início e no final da execução), e depois carregados no NanoEdge AI Studio.

Figura 6: Comparação de dados bons/anormais (topo) e dados ruins/anormais (fundo). Além das diferenças de cor, estas não parecem terrivelmente diferentes ao olho humano, mas um modelo AI/ML apropriado pode distingui-las entre elas. (Fonte da imagem: Max Maxfield)

Os bons dados foram coletados com a bomba de vácuo funcionando em seu modo normal. A fim de reunir os dados ruins, o filtro de ar da bomba foi obstruído com um disco de papel.

Usando os dados bons e ruins, o NanoEdge AI Studio gera a melhor solução de biblioteca AI/ML a partir de 500 milhões de combinações possíveis. Seu progresso contínuo é exibido de várias maneiras diferentes, incluindo um gráfico de dispersão mostrando quão bem os sinais normais (azuis) estão sendo distinguidos dos sinais anormais (vermelhos) com relação a um valor limite, que foi definido para 90% neste exemplo (Figura 7).

Figura 7: O NanoEdge AI Studio avalia até 500 milhões de modelos diferentes de AI/ML para determinar a configuração ideal para os dados normais e anormais. Os modelos iniciais raramente são bem sucedidos (topo), mas a ferramenta itera automaticamente em soluções cada vez melhores até que o desenvolvedor decida parar (fundo). (Fonte da imagem: Max Maxfield)

Os primeiros modelos normalmente acham difícil distinguir entre os dados normais e anormais, mas o sistema avalia diferentes combinações de elementos algorítmicos, iterando sobre soluções cada vez mais precisas. Neste caso, o processo foi interrompido após 58.252 bibliotecas terem sido avaliadas. A biblioteca resultante (modelo) era de apenas 2 Kbytes de tamanho.

É importante notar que, nesta fase, o modelo está em sua forma não treinada. Muitos fatores diferentes podem afetar as formas de funcionamento das máquinas. Por exemplo, duas bombas de vácuo aparentemente idênticas poderiam ser montadas em locais diferentes - por exemplo, uma em uma laje de concreto e a outra em um piso suspenso. Ou uma das máquinas pode estar localizada em um ambiente quente e úmido, enquanto a outra pode estar em um ambiente frio e seco. Além disso, uma poderia ser conectada a tubos longos de metal, enquanto a outra poderia ser conectada a tubos curtos de plástico.

Assim, o próximo passo é incorporar a biblioteca nas aplicações executadas nos microcontroladores e sensores que são acoplados às máquinas que são implantadas no mundo real. Os modelos AI/ML nas diferentes máquinas serão então treinados usando bons dados destas instalações do mundo real. Após este período de auto-treinamento, os modelos AI/ML podem ser deixados para monitorar a saúde das máquinas, procurando anomalias e tendências, e relatando suas descobertas e previsões aos supervisores humanos.

Conclusão

A manutenção preditiva usando AI/ML permite que os engenheiros resolvam os problemas antes que as falhas realmente ocorram. Entretanto, o hardware usado para implementar o sistema de manutenção preditiva precisa ser o mais simples e econômico possível; também, os projetistas precisam ter pronto acesso ao software necessário para realizar a análise.

Como mostrado, em vez de optar por um complexo acelerômetro multi-eixo e hardware associado, um simples transformador de corrente de núcleo dividido CR3111-3000, de baixo custo, conectado a uma plataforma de microcontrolador de baixo custo, pode realizar a detecção necessária e a coleta de dados. Juntamente com os avanços nas ferramentas e algoritmos de IA/ML, é agora possível para os especialistas não-AI/ML criar modelos sofisticados de IA/ML que podem ser implantados em uma ampla gama de aplicações de sensoriamento simples e complexas.