,

振動に基づくポンプの異常検出

予知保全は、機械学習を使用して機器が故障する可能性が高い時期を予測する保全戦略です。

ポンプなどの産業機器は、動作中にさまざまな信号が発生します。 それらの機器にセンサを取り付けてデータを収集することで、機械学習を使用して正常挙動パターンと異常挙動パターンを識別することが可能です。 この予防型のアプローチは、ダウンタイムの最小化、効率の向上、機器の寿命延長を目的としています。

このユース・ケースでは、振動データを収集・分析し、機械学習モデルを使用して異常を検出するというアプローチをポンプに実装しました。 このアプローチは、他の多くの産業用機械に容易に適用できます。

アプローチ

プロジェクトの目標:

  • ポンプの振動を使用して、ポンプを装備した油圧回路の異常を検出する。
  • このモデルをまったく異なる回路で使用しても、このエッジAI学習テクノロジーのおかげで異常検出が可能であることを証明する。

このプロジェクトでは、第1回路を使用してポンプの振動データを加速度センサによって記録しました。 栓を閉じて水の流れを切り替えることで、正常信号と異常信号の両方を発生させて収集しました。

その後、NanoEdge AI Studioで異常検出モデルを開発しました。 また、ソフトウェア・ツールを使用して学習データに最適化されたモデルを作成しました。

作成したモデルをProteusボードにロードし、第1回路に接続しました。 このプロトタイプは、正常データと異常データをリアルタイムに検出できました。

その後、モデルをロードしたProteusボードを第2回路に移動し、オンエッジ学習を用いて同じモデルを新しい回路の信号で数秒間、再学習しました。 モデルは第1回路に最適化されていましたが、第2回路でもうまく機能しました。

センサ

加速度センサ(3軸): ISM330DHCX

データ

正常信号 / 異常信号
– 正常信号:正常状態の第1回路による640のポンプ振動信号
– 異常信号:一方の偏差をブロックした440のポンプ振動信号
信号長:768(1軸当たり256、3軸)
データレート:6,667Hz、最大測定範囲:2g

結果

異常検出クラス:
精度:100%、使用RAM:7.8KB、使用Flashメモリ:6.1KB

青い点は正常信号、赤い点は異常信号です。
横座標は信号値、縦座標は正常状態に対する類似度です。