Aplique una solución Edge AI Drop-In para mejorar la supervisión inalámbrica basada en condiciones

La monitorización basada en el estado (CbM) ayuda a evitar averías en los equipos mediante un mantenimiento predictivo, pero el diseño de un sistema eficaz suele requerir la integración óptima de sensores de precisión, cadenas de señales de bajo ruido, gestión de la energía y conectividad inalámbrica. Se trata de funciones complejas que pueden retrasar y aumentar el coste de la implantación de la CbM. Los diseñadores también están reconociendo las ventajas de los análisis de inteligencia artificial (IA) en el perímetro, lo que complica aún más la CbM. Lo que hace falta es una solución más directa y eficaz.

Este artículo ofrece un breve resumen de los principios básicos de CbM. A continuación, presenta una solución drop-in de Analog Devices que permite la implementación inmediata de CbM inalámbrica con IA de borde.

Por qué es importante la monitorización basada en la condición

Los tiempos de inactividad imprevistos siguen siendo un desafío importante para mantener un alto nivel de eficacia operativa de los equipos. Un único fallo inesperado en una pieza crítica de un equipo puede paralizar líneas de producción enteras, interrumpir las cadenas de suministro y provocar costosas intervenciones del servicio técnico. Los enfoques tradicionales de mantenimiento, que implican reparaciones reactivas tras un fallo o intervalos de servicio programados rígidamente, tienen sus inconvenientes: el mantenimiento reactivo provoca costosos tiempos de inactividad, mientras que el mantenimiento programado incurre en costos de recursos con la sustitución innecesaria de componentes que siguen operativos.

La CbM permite aplicar métodos de mantenimiento predictivo más rentables. Mediante la supervisión de las vibraciones, la temperatura, la corriente u otros indicadores de rendimiento, los operarios de los equipos pueden identificar señales tempranas de degradación de los componentes antes de que se produzca un fallo. Este enfoque basado en datos reduce los tiempos de inactividad imprevistos, prolonga la vida útil de los equipos y reduce el coste total de propiedad.

A pesar de todas sus ventajas, la implementación de la CbM puede estancarse debido a la complejidad de los requisitos y a la necesidad de conocimientos expertos en múltiples disciplinas. La superación de estos desafíos supone un obstáculo importante para el éxito de la aplicación del mantenimiento predictivo basado en la CbM a los equipos industriales y de automoción.

Desafíos y requisitos de la supervisión basada en la condición

Para que la CbM ofrezca todas sus ventajas potenciales, las soluciones de CbM deben funcionar de forma fiable en entornos industriales y automovilísticos exigentes y, al mismo tiempo, proporcionar análisis puntuales basados en datos de medición precisos. Sin embargo, la naturaleza de estos entornos somete a los dispositivos de medición a considerables tensiones mecánicas y ambientales, incluso durante el funcionamiento normal de los equipos supervisados. Los motores industriales, las transmisiones y los equipos rotativos pesados exponen los dispositivos de supervisión a vibraciones constantes, golpes, temperaturas extremas y altos niveles de interferencias electromagnéticas (EMI).

Para permitir un mantenimiento predictivo fiable, los sensores de vibración de los dispositivos de CbM deben detectar los cambios más sutiles que a menudo proporcionan las primeras pistas de desequilibrio del eje, desalineación o desgaste de los rodamientos. Garantizar una medición de vibraciones de alta precisión a pesar de las duras condiciones ambientales requiere un subsistema de adquisición de señales de sensor de gran ancho de banda y bajo nivel de ruido que ofrezca un rendimiento estable en entornos operativos difíciles.

En el corazón de los métodos de CbM, el análisis de vibraciones proporciona la base para el reconocimiento de patrones que diferencian el funcionamiento normal de los indicadores tempranos de fallo. En el pasado, los sistemas de sensores de vibración transmitían sus mediciones a un host central o a un recurso basado en la nube para su análisis. Sin embargo, las soluciones avanzadas de CbM han empezado a trasladar cada vez más el análisis a la periferia. Al analizar los datos dentro o cerca del sistema de sensores, los resultados se generan con una latencia mínima y se reduce el tráfico en las redes industriales y de automoción sensibles al tiempo.

En concreto, la inferencia de IA de borde basada en modelos de redes neuronales convolucionales (CNN) permite interpretar en tiempo real los cambios en las vibraciones. Sin embargo, la inferencia mediante CNN es intensiva desde el punto de vista computacional, lo que complica aún más el objetivo de implantar la CbM sin sobrepasar los límites de potencia, tamaño o costo del sistema.

La necesidad de minimizar el consumo de energía se hace más acuciante a medida que aumenta el uso de la CbM en equipos giratorios o en equipos remotos o móviles en los que las conexiones por cable resultan poco prácticas. Para cumplir los requisitos de conectividad inalámbrica en estos casos, Bluetooth de baja energía (Bluetooth Low Energy, BLE) ofrece la combinación necesaria de alcance, potencia y fiabilidad en comparación con otras opciones de conectividad alternativas (Tabla 1).

Tabla 1: Entre los estándares de conectividad inalámbrica, BLE ofrece una combinación de características adecuadas para la monitorización inalámbrica de vibraciones. (Fuente de la tabla: Analog Devices)

Sin embargo, al igual que ocurre con el procesamiento de IA de borde, el desafío es encontrar una solución de conectividad BLE capaz de funcionar dentro de las limitaciones energéticas de un sistema de sensores inalámbricos. De hecho, garantizar una mayor duración de la batería sigue siendo un desafío para los diseñadores de cualquier sistema de sensores inalámbricos. Sin embargo, es especialmente importante en aplicaciones industriales y de automoción, donde los sensores pueden ser de difícil acceso. En un sistema CbM destinado a realizar inferencia CNN, tanto la batería como la gestión de la energía son cada vez más críticas. El desafío consiste en orquestar múltiples reguladores, secuenciadores y sistemas de carga para reducir el consumo y garantizar un funcionamiento estable.

El kit de evaluación proporciona una solución CbM inalámbrica con inteligencia artificial avanzada

El kit EV-CBM-VOYAGER4-1Z Voyager 4 de Analog Devices aborda los desafíos de implementación de la CbM inalámbrica con IA de borde proporcionando una plataforma completa de monitorización de vibraciones alimentada por batería para la evaluación continua de la tecnología CbM o la implementación inmediata en aplicaciones de mantenimiento predictivo. El kit está diseñado para resistir entornos adversos, mediante un separador vertical (Figura 1, arriba) que sujeta firmemente la placa de circuito impreso (placa ci) principal por un lado y una batería por el otro. En la parte inferior del separador, cerca de la fuente de vibraciones que se desea supervisar, hay una placa de circuito impreso de alimentación y sensores. Para su implementación, el conjunto del separador vertical se coloca en una caja protectora de aluminio (Figura 1, abajo) con un diámetro de 46 milímetros (mm) y una altura de 77 mm. La carcasa está rematada con una tapa acrílica ABS para permitir la conectividad BLE.

Figura 1: El sólido conjunto de separadores y la carcasa protectora de Voyager 4 permiten una CbM inalámbrica fiable con IA de borde en entornos difíciles. (Fuente de la imagen: Analog Devices)

Construido en torno a una unidad de microcontrolador (MCU) MAX32666 BLE de Analog Devices y una MCU MAX78000EXG+ AI de Analog Devices, el diseño del sistema de sensores inalámbricos integra un completo conjunto de dispositivos de bajo consumo para ofrecer una medición de vibraciones de precisión y detección de anomalías con una mayor duración de la batería (Figura 2).

Figura 2: Mediante la combinación de varios dispositivos de bajo consumo, Voyager 4 ofrece la combinación de detección, procesamiento y conectividad necesaria para una solución inalámbrica CbM de IA de borde. (Fuente de la imagen: Analog Devices)

Para medir las vibraciones, la Voyager 4 utiliza el acelerómetro de tres ejes ADXL382-1BCCZ-RL7 de Analog Devices, que combina sensores de sistemas microelectromecánicos (MEMS), un front-end analógico (AFE) y un convertidor analógico-digital (ADC) de 16 bits. Con un ancho de banda de medición de 8 kilohercios (kHz), este dispositivo está diseñado para proporcionar mediciones precisas incluso en entornos de alta vibración. Es muy adecuado para diseños de bajo consumo, ya que solo consume 520 microamperios (μA) en modo de alto rendimiento con un ancho de banda de 8 kHz, o solo 32 μA en modo de bajo consumo con un ancho de banda de 400 Hz.

En el diseño del sistema Voyager 4, la salida del ADXL382 pasa al interruptor CMOS ADG1634BCPZ-REEL7 de Analog Devices, que controla la MCU BLE MAX32666. La combinación de esta MCU BLE y un acelerómetro MEMS ADXL367BCCZ-RL7 de consumo ultrabajo de Analog Devices desempeña un papel fundamental en los modos de funcionamiento de la Voyager 4 (Figura 3).

Figura 3: Los modos de funcionamiento del Voyager 4 garantizan la generación eficiente de datos de formación y la inferencia en tiempo real, demostrando cómo la IA de borde puede respaldar el mantenimiento predictivo sin depender de los recursos de la nube. (Fuente de la imagen: Analog Devices)

Durante las operaciones de entrenamiento (ruta "a" en la Figura 3), la MCU MAX32666 canaliza los datos de vibración sin procesar del ADXL382-1BCCZ-RL7 para su transmisión al sistema host del usuario a través de la radio MAX32666 BLE o a través de la conexión USB de la Voyager 4. Como se explica más adelante en este artículo, este modo de funcionamiento proporciona los datos de entrenamiento necesarios para generar modelos de inferencia personalizados subyacentes a la IA de borde para la CbM.

Durante las operaciones de detección de anomalías (ruta "b" en la Figura 3), la MCU MAX78000EXG+ AI del Voyager 4 utiliza su conexión directa con el ADXL382-1BCCZ-RL7 para leer los datos de vibración sin procesar y ejecutar un modelo de inferencia personalizado con su acelerador CNN integrado para la predicción de anomalías. Si los resultados de la inferencia indican la presencia de una anomalía, el MAX78000EXG+ emite una alerta, que la MCU BLE MAX32666 transmite al usuario para que actúe.

Si no se detecta ninguna anomalía, el sensor entra en modo de reposo. En este estado de reposo, el acelerómetro ADXL367BCCZ-RL7 consume solo 180 nanoamperios (nA) en el modo de activación por movimiento, que se activa cuando la vibración supera un umbral ajustable. Cuando se produce este despertar activado por movimiento, el ADXL367BCCZ-RL7 despierta a su vez a la MCU BLE MAX32666, que inicia un nuevo ciclo de medición e inferencia de vibraciones. Este enfoque ayuda a minimizar el consumo de energía durante el funcionamiento normal, restringiendo el uso intensivo de la radio BLE a las sesiones de entrenamiento y las alertas de anomalías (Figura 4).

Figura 4: La activación por movimiento y el uso selectivo de la radio BLE ayudan a prolongar la duración de la batería de Voyager 4. (Fuente de la imagen: Analog Devices)

La gestión eficaz de la energía es esencial en un dispositivo destinado a predecir fallos de maquinaria y equipos críticos. Junto con el ahorro de energía a nivel de sistema que permite la activación por movimiento de la Voyager 4, la Voyager 4 integra un circuito integrado de gestión de energía (PMIC) MAX20335BEWX+T de Analog Devices para suministrar la tensión necesaria. Además, un indicador de combustible MAX17262 de Analog Devices controla la corriente de la batería y permite estimar su duración. Durante los distintos modos de funcionamiento de la Voyager 4, la MCU MAX32666 puede activar o desactivar salidas MAX20335BEWX+T individuales para adaptarse a las necesidades de energía específicas, optimizando aún más el consumo de energía.

A nivel de dispositivos, el funcionamiento de bajo consumo es una característica esencial de los dispositivos individuales utilizados en el kit Voyager 4. Por ejemplo, la MCU BLE MAX32666 requiere solo 27.3 microamperios por megahercio (μA/MHz) cuando se ejecuta desde la caché a 3.3 voltios; la MCU MAX78000EXG+ AI utiliza 22.2 μA/MHz (mientras se ejecuta el bucle) desde la caché a 3.0 voltios con su procesador de núcleo Arm® Cortex®-M4 activo. Además, ambas MCU integran un controlador dinámico de escalado de voltaje que minimiza aún más el consumo de energía del núcleo activo.

Esta combinación de optimización energética a nivel de sistema y de dispositivo minimiza eficazmente el consumo de energía durante los distintos modos de funcionamiento de la Voyager 4. En su modo normal de detección de anomalías, el consumo de energía de la Voyager 4 es de unos 0.3 milivatios (mW) con el sensor activo una vez por hora, lo que se traduce en hasta dos años de autonomía para una batería de 1,500 miliamperios-hora (mAh) en condiciones normales. En cambio, el modo de entrenamiento requiere un uso intensivo de la radio BLE para transmitir datos de vibración que se utilizarán en el entrenamiento y la validación del modelo, lo que se traduce en un consumo de energía superior a 0.65 mW (véase de nuevo la figura 4).

Entrenamiento e implementación de un modelo de monitorización de vibraciones para IA de borde

El entrenamiento de modelos CNN se ha convertido en un proceso relativamente sencillo gracias a la amplia disponibilidad de herramientas de software adecuadas. Sin embargo, las limitaciones de recursos de los procesadores y las MCU han impulsado el desarrollo de herramientas más especializadas creadas para optimizar los modelos de cada dispositivo. Analog Devices proporciona este tipo de herramientas en su repositorio GitHub AI on a Battery, que guía a los usuarios a través de un flujo de trabajo documentado. Analog Devices divide el flujo de trabajo del modelo en una secuencia de tres etapas y proporciona un repositorio GitHub dedicado para cada una (Figura 5).

Figura 5: Un flujo de trabajo estructurado con repositorios dedicados de herramientas e instrucciones ayuda a los desarrolladores a optimizar los modelos de CNN para la MCU MAX78000EXG+ AI, lo que permite una CbM práctica impulsada por AI en dispositivos con restricciones de energía. (Fuente de la imagen: Analog Devices)

En la fase inicial, el repositorio ai8x-training proporciona instrucciones detalladas, paso a paso, para preparar el entorno de trabajo y realizar el entrenamiento con el script Python train.py incluido. En la siguiente etapa, el repositorio ai8x-synthesis proporciona un conjunto de instrucciones igualmente detalladas para la configuración y el funcionamiento de las herramientas utilizadas para convertir un modelo entrenado en código C.

Un factor crítico para lograr el éxito en la IA de borde es comprender las capacidades y limitaciones del entorno de ejecución de la CNN objetivo. Dentro de los repositorios ai8x-training y ai8x-synthesis, Analog Devices incluye un tutorial detallado para ayudar a los desarrolladores a comprender la relación entre las decisiones de implementación del modelo CNN y las capacidades de la MCU con IA MAX7800x.

La etapa final, documentada en el repositorio del kit de desarrollo de software, proporciona las instrucciones y herramientas utilizadas para desarrollar el firmware que incorpora el modelo de inferencia para la MCU MAX7800x de destino. Tras generar el firmware, los usuarios lo cargan en la Voyager 4 mediante actualización por cable o inalámbrica. En este punto, el usuario puede conectarse con la Voyager 4 a través de BLE y emitir comandos utilizando una interfaz gráfica de usuario (GUI) Python que se ejecuta en un host Windows. En el modo de ejecución normal, la MCU con IA realiza la inferencia según las indicaciones de la MCU BLE MAX32666 o automáticamente al despertarse.

Conclusión

Los periodos de inactividad imprevistos por avería de los equipos generan costos y riesgos. Aunque la CbM puede ayudar a reducir costos y mitigar riesgos mediante el mantenimiento predictivo, el diseño de sistemas de sensores inalámbricos adecuados con análisis sigue siendo complejo. El kit de evaluación de vibración inalámbrica Voyager 4 de Analog Devices proporciona una solución inmediata que supera estos desafíos, permitiendo un rápido despliegue del mantenimiento predictivo con detección de precisión, utilización eficiente de la energía, conectividad inalámbrica y procesamiento sólido con edge AI.