摘要

該方案實現(xiàn)了基于嵌入式AI推斷電機運行異常的方法。基于瑞薩電機控制MCU RA6T1，結合瑞薩的e-AI工具，將Google的TensorFlow Lite模型部署在MCU端，結合瑞薩專有的BLDC電機控制程序套件實現(xiàn)AI對電機運行狀態(tài)的判斷，可作為工廠自動化中預測性運維的實踐基礎。

引言

電機作為電能轉換裝置廣泛應用于工業(yè)、農(nóng)業(yè)，以及我們生活的方方面面。作為一種重要的電氣設備，電機運行狀態(tài)的檢測和維護一直是電機使用中的重要話題。若電機運行時出現(xiàn)問題不能及時發(fā)現(xiàn)，輕則會造成電機的損壞，重則影響產(chǎn)線進度甚至造成生產(chǎn)事故。傳統(tǒng)的電機檢測和維護使用人工測量和記錄，處理滯后，準確性和效率都不高，而且耗費人力。本文使用專為MCU設計的AI模型Google TensorFlow Lite，在基于RA6T1的BLDC電機系統(tǒng)中實現(xiàn)基于AI的故障檢測方案，實現(xiàn)了全自動化操作，提升了運維效率，并解決了傳統(tǒng)電機檢測維護中處理滯后的問題。

系統(tǒng)架構

電機故障檢測示例系統(tǒng)框圖如圖1所示。這是一個基于e-AI的電機系統(tǒng)，包含自學習神經(jīng)元網(wǎng)絡和無刷直流電機控制軟件，AI推斷結果顯示在PC軟件上。

e-AI(嵌入式AI)指的是在服務器上使用大算力做模型訓練，在嵌入式系統(tǒng)中執(zhí)行推斷的非對稱算力架構。瑞薩提供e-AI開發(fā)環(huán)境，幫助嵌入式開發(fā)者加速AI應用在瑞薩MCU上的部署。通過這個開發(fā)環(huán)境，用戶可以把在服務器或者PC上訓練好的AI模型轉換成運行在MCU上的代碼。

本示例是基于瑞薩電子RA系列芯片RA6T1的電機控制評估系統(tǒng)，在電機系統(tǒng)遇到硬件問題時可以智能地檢測異常。本系統(tǒng)采用無傳感器的矢量控制方式運行電機，電機的三相電流作為自學習神經(jīng)元網(wǎng)絡的輸入，基于Google專為MCU開發(fā)的TensorFlowLite(TFLu)，使用人工智能推斷電機異常的概率。(TensorFlow是一個基于數(shù)據(jù)流編程的符號數(shù)學系統(tǒng)，被廣泛應用于各類機器學習算法 的編程實現(xiàn)，其前身是谷歌的神經(jīng)網(wǎng)絡算法庫DistBelief。)

圖1 電機故障檢測示例系統(tǒng)

故障檢測原理

系統(tǒng)中的直流無刷電機控制采用無傳感器矢量控制方式，采用三分流電阻，通過A/D轉換監(jiān)控三相電流。在本系統(tǒng)中，使用隨著電機狀態(tài)不同而變化的三相電流波形作為自學習神經(jīng)元網(wǎng)絡的輸入。對輸入數(shù)據(jù)進行預處理后通過FFT生成頻譜，可以讓AI更容易檢測到三相電流波形的特征點。方案中預處理執(zhí)行包括以下操作：

①采集三相電流的A/D轉換值并生成FFT幀。

②在輸入到自學習神經(jīng)元網(wǎng)絡前，對數(shù)據(jù)進行預處理，包括數(shù)據(jù)幀的FFT變換(頻譜生成)和從頻譜中提取特征點(自學習神經(jīng)元網(wǎng)絡輸入數(shù)據(jù)生成)。

每512個點構成一幀，為了避免丟失數(shù)據(jù)，每一幀被設置為64個點與前一幀重疊，如圖2所示。這是一種通常稱為“重疊分析”的常用方法。

圖2 電機驅動電流的A/D轉換值

因為在時間軸上無法檢測到特征值，所以將電機電流A/D轉換值經(jīng)過FFT處理轉換到頻率軸上，如圖3(a)所示。在目標系統(tǒng)中，如圖3(b)所示，在淺色線標出的基頻峰值附近檢測到特征點。提取檢測到特征值的峰值前后共16個點作為輸入數(shù)據(jù)，如圖3(c)所示。只有U相電流值作為AI模型的數(shù)據(jù)。

圖3 數(shù)據(jù)預處理流程

人工智能推斷

在這個示例中，基于TFLu的AI通過以下3層模型來推斷電機運行正常還是異常：

①輸入層：FFT處理U相分流電流數(shù)據(jù)。

②隱藏層：隱藏層使用全連接層。

③輸出層：輸出正常和異常的概率。

圖4顯示了AI模型配置情況。

圖4 AI模型配置

故障檢測實現(xiàn)

故障檢測工程中包括電機應用程序和使用TFLu的AI應用程序，數(shù)據(jù)收集工具和訓練工具用于AI模型開發(fā)。AI模型開發(fā)流程圖如圖5所示。

圖5 AI模型開發(fā)流程圖

首先，使用數(shù)據(jù)收集工具收集數(shù)據(jù)，包括用于自學習的數(shù)據(jù)和用于測試的數(shù)據(jù)，測試數(shù)據(jù)用于測試AI模型。圖6顯示了系統(tǒng)在正常和異常狀態(tài)下的區(qū)別。正常狀態(tài)定義為驅動電機軸和負載電機軸形成一條直線，異常狀態(tài)定義為兩個軸的軸線偏離。

圖6 正常狀態(tài)和異常狀態(tài)

然后，利用訓練工具來訓練和測試AI模型，如圖7所示，訓練結束后輸出.tflite文件并轉化為C語言數(shù)組，寫入程序中參與編譯。最后，再次使用數(shù)據(jù)收集工具進行系統(tǒng)的評估，MCU上運行的AI模型根據(jù)實測數(shù)據(jù)推斷出異常狀態(tài)的可能性并顯示，如圖8所示。

圖7 訓練和測試AI模型

圖8 數(shù)據(jù)收集工具

整個系統(tǒng)的操作流程如圖9所示。

①使用無傳感器矢量控制運轉電機。

②對電機驅動電路的數(shù)據(jù)進行預處理，通過AI推斷電機運行異常的概率。

③與PC機進行串行通信，在上位機顯示電流波形數(shù)據(jù)和推斷結果。

圖9 系統(tǒng)操作流程

演示流程圖如圖10所示，MCU定時器CMT1生成2kHz的采樣頻率并獲取三相電流的A/D轉換值，三相電流中的U和W相電流輸入到12位A/D轉換器，為FFT累積一幀(512個樣本)的A/D轉換值。從下一幀開始，通過重疊前一幀的64個樣本來累積A/D轉換值。MCU使用CMSISDSP執(zhí)行FFT操作，F(xiàn)FT操作產(chǎn)生的頻譜被轉換成dBFS，該實現(xiàn)中定義0dB=4095LSB滿量程。接下來，選擇頻譜的峰值(不包括直流分量)和前后8個樣本(A/D轉換值)來提取頻譜特征值。提取的特征值輸入到自學習神經(jīng)元網(wǎng)絡，通過推理輸出兩類(正常和異常)的概率。在此實現(xiàn)中，采用異常概率作為異常程度的表征，通過USB傳輸?shù)絇C，在DataCollectionTool(GUI工具)中以數(shù)值和圖表形式表示。

圖10 演示流程圖

結語

本文設計的基于RA6T1的BLDC電機系統(tǒng)結合瑞薩的e-AI工具套件，使用專為MCU設計的AI模型，實現(xiàn)了智能故障檢測，經(jīng)過訓練和導入成功部署到MCU端，并取得了理想的電機運行異常的推斷效果，克服了傳統(tǒng)電機運行檢測的難點和不足，為電機系統(tǒng)自動化預測性運維提供了可行方案。

審核編輯：湯梓紅