Usar un sensor de corriente para adquirir eficientemente datos para el mantenimiento predictivo con la IA

La Internet de las cosas (IO) ha suscitado un enorme interés en el uso de las tecnologías de inteligencia artificial (IA) y de aprendizaje automático (ML) para vigilar la salud de las máquinas, incluidos los motores, generadores y bombas, y para alertar a los ingenieros de mantenimiento sobre cualquier problema que se avecine. Una dificultad para los diseñadores de sistemas IA/ML que buscan implementar este tipo de mantenimiento predictivo es seleccionar el mejor sensor para la aplicación. Otra cuestión es que relativamente pocos diseñadores tienen experiencia en la creación de aplicaciones de IA/ML.

Para obtener los datos para que el sistema AI/ML actúe, los diseñadores suelen optar por sensores sofisticados como acelerómetros de tres ejes acoplados a plataformas de desarrollo de microcontroladores de alta potencia. Sin embargo, en muchos casos es posible alcanzar el objetivo deseado utilizando un simple sensor de corriente junto con una plataforma de desarrollo de microcontroladores más modesta y menos costosa.

Este artículo introduce la idea de utilizar un transformador sensorial de corriente para obtener los datos necesarios para implementar de forma sencilla y económica las aplicaciones de IA/ML. Utilizando una plataforma de desarrollo de microcontroladores IoT Arduino de bajo costo y un transformador sensor de corriente de CR Magnetics, el artículo también presenta un simple circuito que emplea el sensor de corriente para monitorear la salud de una bomba de vacío con un filtro integrado, alertando al usuario cuando el filtro se ha obstruido. Por último, el artículo presenta una visión general del proceso de creación de la aplicación IA/ML asociada.

Sensores simples para IA/ML

A fin de adquirir los datos para que una aplicación IA/ML actúe, los diseñadores suelen optar por sensores sofisticados como los acelerómetros de tres ejes; pero este tipo de sensor puede generar grandes cantidades de datos que son difíciles de manipular y comprender. Para evitar esta complejidad, vale la pena recordar que todo está interrelacionado. Así como una lesión en una parte del cuerpo de una persona puede causar un dolor referido que se percibe en otra parte del cuerpo, un cojinete defectuoso en un motor puede modificar la corriente que se utiliza para accionar ese motor. Del mismo modo, además de causar sobrecalentamiento, una entrada de aire bloqueada también puede modificar la corriente que se utiliza para impulsar el motor.

Por consiguiente, la vigilancia de un aspecto del funcionamiento de una máquina puede arrojar luz sobre otras facetas de su funcionamiento. Como resultado, es posible lograr el objetivo deseado de monitoreo y detección observando un parámetro relacionado utilizando un sensor sustancialmente más simple, como el de bajo costo, de pequeño tamaño, CR3111-3000 transformador sensor de corriente de núcleo dividido de CR Magnetics (Figura 1).

Figura 1: El transformador con núcleo dividido CR3111-3000 con sensor de corriente proporciona un detector de corriente de bajo costo y fácil de usar que puede ser empleado como el sensor primario en una aplicación de mantenimiento predictivo IA/ML. (Fuente de la imagen: CR Magnetics)

El CR3111-3000 puede utilizarse para detectar corrientes de hasta 100 amperios (A) (otros miembros de la familia CR31xx pueden emplearse para valores de corriente menores o mayores). Todos los miembros de la familia soportan una gama de frecuencias de 20 hertzios (Hz) a 1 kilohercio (kHz), que cubre la mayoría de las aplicaciones industriales. Además, todos los dispositivos CR31xx emplean una bisagra y un broche de bloqueo que permite que se acoplen sin interrumpir el cable conductor de corriente.

El Arduino Nano 33 IoT

Un ejemplo de una plataforma de desarrollo de microcontroladores de bajo costo adecuada para la creación de prototipos de aplicaciones sencillas de IA/ML es el ABX00032 Arduino Nano 33 IoT de Arduino (Figura 2). Con un procesador Arm® Cortex®-M0+ ATSAMD21G18A de 32 bits que funciona a 48 megahercios (MHz) con 256 kilobytes (Kbytes) de memoria flash y 32 Kbytes de SRAM, el Arduino Nano 33 IoT también viene equipado con conexión Wi-Fi y Bluetooth.

Figura 2: El Arduino ABX00032 Nano 33 IoT proporciona una plataforma de bajo costo sobre la cual construir aplicaciones de IA/ML para mejorar los dispositivos existentes (y crear otros nuevos) para formar parte de la IoT. (Fuente de la imagen: Arduino)

Circuito de captura de datos

El circuito utilizado para el propósito de esta discusión se muestra a continuación en la Figura 3. El CR3111-3000 transforma la corriente medida que impulsa la máquina en una mucho más pequeña usando una relación de 1000:1.

Figura 3: El circuito usado para convertir la salida del CR3111-3000 en una forma que pueda ser usada por el Nano 33 IoT de Arduino con sus entradas de 3.3 voltios. (Fuente de la imagen: Max Maxfield)

La resistencia R3, que está conectada a través de la bobina secundaria (de salida) del CR3111-3000, actúa como una resistencia de carga, produciendo un voltaje de salida proporcional al valor de la resistencia, basado en la cantidad de corriente que fluye a través de ella.

Las resistencias R1 y R2 actúan como divisores de voltaje, formando una "puesta a tierra virtual" con un valor de 1,65 voltios. Esto permite que los valores del CR111-3000 oscilen entre positivo y negativo y aún así no choquen con un riel, ya que el microcontrolador no puede aceptar voltajes negativos. El condensador C1 forma parte de un filtro de ruido RC que reduce el ruido de la fuente de 3.3 voltios y los campos perdidos cercanos para que no entren en las mediciones, ayudando así a que el divisor de voltaje actúe como una mejor puesta a tierra.

Se utilizó una bomba de vacío con un filtro integrado para proporcionar un banco de pruebas de demostración. Para los propósitos de este prototipo, se insertó un cable de extensión P006-001 de Tripp Lite de 1 pie (ft.) entre la fuente de alimentación y la bomba de vacío (Figura 4).

Figura 4: El cable de alimentación de 1 pie de extensión que fue modificado para aceptar el sensor de corriente. (Fuente de la imagen: Max Maxfield)

El circuito del prototipo fue implementado utilizando componentes del cofre del tesoro de repuestos del autor (Figura 5). Los equivalentes fácilmente disponibles serían los siguientes:

• (1) placa de prueba Adafruit 64
• (1) kit de cable preformado para usar en placas de prueba TW-E012-000 de Twin Industries
• (1) resitencia con orificio pasante de 150 ohm (Ω) ±1% 0,25 vatios (W) RNMF14FTC150R de Stackpole Electronics
• (2) resitencia con orificio pasante de 10 kiloohm (kΩ) ±1% 0.25 W RNF14FTD10K0 de Stackpole Electronics
• (1) capacitor electrolítico de aluminio de 63 voltios y 10 microfaradios (µF) ESK106M063AC3FA de KEMET

Figura 5: El circuito del prototipo se implementó usando una pequeña placa de prueba y componentes del cofre del tesoro de repuestos del autor. (Fuente de la imagen: Max Maxfield)

En cuanto a los cables del sensor de corriente, los pines crimpados1931 de 22-28 AWGde Pololu Corp. se crimparon en los extremos. Estos pines se insertaron posteriormente en una carcasa rectangular negra de 1904 5 x 1 con 0.1 pulgada (in.) (2.54 milímetros (mm)) de paso, también de Pololu.

Crear la aplicación IA/ML

Para crear la aplicación de la IA/ML, se accedió a una versión de prueba gratuita de NanoEdge AI Studio desde el sitio web de Cartesium (véase también, "Easily Bring Artificial Intelligence to Any Industrial System").

Cuando se lanza NanoEdge AI Studio, se invita al usuario a crear y nombrar un nuevo proyecto. A continuación, se pregunta al usuario sobre el procesador que se está utilizando (un Arm Cortex-M0+ en el caso de la tarjeta de desarrollo Arduino Nano 33 IoT), el tipo o los tipos de sensor que se están utilizando (un sensor de corriente en este caso), y la cantidad máxima de memoria que se va a dedicar a este modelo de IA/ML (se seleccionaron 6 Kbytes para esta demostración).

Para crear el modelo AI/ML, es necesario primero capturar muestras representativas de datos buenos y malos (Figura 6). Se creó un simple boceto de Arduino (programa) para leer los valores del sensor actual. Estos datos pueden ser cargados directamente en el NanoEdge AI Studio "sobre la marcha" desde el puerto USB del microcontrolador. Alternativamente, los datos pueden ser capturados en un archivo de texto, editados (para eliminar las muestras espurias al principio y al final de la ejecución), y luego cargados en el NanoEdge AI Studio.

Figura 6: Comparación de datos buenos/normales (arriba) y datos malos/anormales (abajo). Aparte de las diferencias de color, estas no parecen terriblemente diferentes al ojo humano, pero un modelo apropiado de IA/ML puede distinguirlas. (Fuente de la imagen: Max Maxfield)

Los buenos datos se recogieron con la bomba de vacío funcionando en su modo normal. Para recoger los datos erróneos, el filtro de aire de la bomba fue obstruido con un disco de papel.

Usando los datos buenos y malos, NanoEdge AI Studio genera la mejor solución de biblioteca IA/ML de entre 500 millones de combinaciones posibles. Su progreso continuo se muestra de diversas maneras, entre ellas un gráfico de dispersión que muestra lo bien que se distinguen las señales normales (azul) de las señales anormales (rojo) con respecto a un valor umbral, que en este ejemplo se fijó en el 90% (Figura 7).

Figura 7: El NanoEdge AI Studio evalúa hasta 500 millones de modelos diferentes de IA/ML para determinar la configuración óptima para los datos normales y anormales. Los modelos iniciales rara vez tienen éxito (arriba), pero la herramienta itera automáticamente en soluciones cada vez mejores hasta que el desarrollador decide detenerse (abajo). (Fuente de la imagen: Max Maxfield)

Los primeros modelos suelen tener dificultades para distinguir entre los datos normales y los anormales, pero el sistema evalúa diferentes combinaciones de elementos algorítmicos, iterando sobre soluciones cada vez más precisas. En este caso, el proceso se detuvo después de evaluar 58.252 bibliotecas. La biblioteca resultante (modelo) tenía un tamaño de solo 2 Kbytes.

Es importante señalar que, en esta etapa, el modelo está en su forma no entrenada. Muchos factores diferentes pueden afectar a la forma en que funcionan las máquinas. Por ejemplo, se podrían montar dos bombas de vacío aparentemente idénticas en lugares diferentes, por ejemplo, una en una losa de hormigón y la otra en un piso suspendido. O una de las máquinas podría estar ubicada en un ambiente caliente y húmedo, mientras que la otra podría estar en un ambiente frío y seco. Además, uno podría estar conectado a largos tramos de tubo de metal, mientras que el otro podría estar conectado a tramos cortos de tubo de plástico.

Por lo tanto, el siguiente paso es incorporar la biblioteca a las aplicaciones que se ejecutan en los microcontroladores y sensores que están conectados a las máquinas que se despliegan en el mundo real. Los modelos IA/ML de las diferentes máquinas se entrenarán entonces usando buenos datos de estas instalaciones del mundo real. Después de este período de auto-entrenamiento, los modelos IA/ML pueden dejarse para que vigilen la salud de las máquinas, buscando anomalías y tendencias, e informando de sus hallazgos y predicciones a los supervisores humanos.

Conclusión:

El mantenimiento predictivo usando IA/ML permite a los ingenieros abordar los problemas antes de que ocurran realmente las fallas. Sin embargo, el hardware utilizado para implementar el sistema de mantenimiento predictivo debe ser lo más simple y rentable posible; además, los diseñadores necesitan un acceso fácil al software necesario para realizar el análisis.

Como se muestra, en lugar de optar por un complejo acelerómetro multieje y el hardware asociado, un simple transformador de corriente de núcleo dividido CR3111-3000 de bajo costo y tamaño reducido conectado a una plataforma de microcontrolador de bajo costo puede realizar la detección y la recopilación de datos necesarios. Junto con los avances en herramientas y algoritmos de IA/ML, ahora es posible para los no expertos en IA/ML crear sofisticados modelos de IA/ML que pueden ser desplegados en una amplia gama de aplicaciones de detección simples y complejas.