描述

每個制造環境都配備了機器。對于性能更好的制造單元，機器的健康起著重要作用，因此維護也起著重要作用。我們有三種維護策略，即預防性維護、糾正性維護和預測性維護。

如果您想在防止故障和避免過度維護之間找到最佳平衡點，PdM 是必經之路。為您的工廠配備相對實惠的傳感器來跟蹤溫度、振動和運動數據，使用預測技術在即將發生故障時安排維護，您會發現運營成本大幅降低。

在最新的技術時代，教計算機理解聲學世界現在是一個熱門的研究課題。所以在這個項目中，我們使用聲音對 Nano 33 BLE Sense 進行一些預測性維護。

?

它是如何工作的？

我們使用 Nano 33 BLE Sense 持續聆聽機器。MCU 運行一個 ML 模型，該模型接受兩組聲學異常和正常操作模式的訓練。當 ML 模型發現異常時，會立即通知操作員，并在適當檢查后關閉機器進行維護。因此，我們可以減少可能造成的損壞并減少停機時間。

硬件要求

• Nano 33 BLE 感知
• 引領

軟件要求

• 邊緣脈沖
• 開發環境

硬件設置

硬件設置包括一個 Nano 33 BLE Sense，它被放置在一個舊的交流電機旁邊。

?

?

?

軟件設置

如果您尚未將設備連接到 Edge Impulse 儀表板，請按照本教程進行連接。成功連接后，它應該出現在“設備”選項卡中。

?

或者，最新版本的 Google Chrome 和 Microsoft Edge 可以直接從您的開發板收集數據，而無需 Edge Impulse CLI。按照本教程了解更多信息。

TinyML 模型生成

成功設置硬件和軟件后，現在我們已準備好進行模型生成，其中包括許多步驟。讓我們從收集一些數據開始。

1. 數據收集

清潔數據是訓練性能良好的模型的最重要要求。在我們的例子中，我們收集了 3 類聲音 - 兩類異常，一類正常操作，顯然還有一類噪音。每個樣本長 2 秒。這些類的原始數據如下所示。

?

?

?

?

?

?

?

如果數據沒有拆分成訓練和測試數據集，則將數據集按80:20的比例拆分成訓練和測試數據集，形成一個很好的模型訓練數據集。

2. 沖動設計

脈沖是機器學習管道，它獲取原始數據，使用信號處理來提取特征，然后使用學習塊對新數據進行分類。

?

這里我們使用時間序列數據作為輸入塊。現在，我們有兩種處理塊的選擇——MFCC 和 MFE。由于我們正在處理非人聲音頻，而 MFE 在處理非人聲音頻方面表現良好，因此我們選擇MFE作為我們的處理塊。我們使用分類作為我們的學習塊，因為我們必須學習模式并將它們應用于新數據以將音頻分類為給定的 4 個類之一。

?

在MFE選項卡中，如果您擅長音頻處理，則可以調整參數，否則保持設置不變并生成功能。

?

3. 模型訓練與測試

現在我們已經設計了沖動，讓我們繼續訓練模型。我們用于模型訓練的設置如圖所示。您可以嘗試調整模型訓練設置，使訓練后的模型表現出更高的準確性，但要注意不要過度擬合。

?

經過訓練的模型達到了高達 94.7% 的準確率。

?

現在讓我們使用一些未知數據來測試模型的功能。要評估模型的性能，請轉到模型測試和全部分類。

?

我們得到了 95.07% 的測試準確率，這非常棒。現在讓我們用一些真實世界的數據來測試模型。導航到實時分類并從連接的設備收集一些數據。

好的

?

?

異常 1

?

?

異常2

?

我們分別收集了Normal Operation Mode 、Anomaly 1和Anomaly 2的一些真實世界數據，它們都被正確分類了。因此我們的模型已準備好部署。

部署

對于部署，導航到部署選項卡，選擇Arduino 庫并構建庫。它將輸出一個 zip 庫，可以將其添加到Arduino IDE中。

?

完成品

Nano 33 BLE Sense 連同一個 LED 封裝在一個 3D 打印的外殼中，這是我們的最終產品。該設備能夠識別機器中的聲音異常，并使用警報 LED 向用戶發出警報。

?

?

?

?