Appliquer une solution Edge AI directe pour améliorer la surveillance conditionnelle sans fil

La surveillance conditionnelle (CbM) permet de prévenir les pannes d'équipement grâce à la maintenance prédictive, mais la conception d'un système efficace requiert généralement l'intégration optimale de capteurs de précision, de chaînes de signaux à faible bruit, et de capacités de gestion de l'alimentation et de connectivité sans fil. Il s'agit de fonctions complexes qui peuvent retarder le déploiement de la surveillance conditionnelle et en augmenter le coût. Les concepteurs reconnaissent également les avantages de l'analyse de l'intelligence artificielle (IA) en périphérie, ce qui complique encore la surveillance conditionnelle. C'est pourquoi une solution plus simple et plus efficace est requise.

Cet article fournit une brève vue d'ensemble de la surveillance conditionnelle. Il présente ensuite une solution prête à l'emploi d'Analog Devices qui permet le déploiement immédiat de la surveillance conditionnelle sans fil avec Edge AI.

L'importance de la surveillance conditionnelle

Les temps d'arrêt imprévus restent un défi majeur pour maintenir un haut niveau d'efficacité opérationnelle des équipements. Une seule défaillance inattendue sur un équipement critique peut entraîner l'arrêt de lignes de production entières, perturber les chaînes d'approvisionnement et conduire à des interventions coûteuses. Les approches de maintenance traditionnelles impliquant des réparations réactives après une panne ou les intervalles de service rigoureusement programmés ont leurs inconvénients : la maintenance réactive entraîne des temps d'arrêt coûteux, tandis que la maintenance programmée engendre des coûts en ressources, avec le remplacement inutile de composants encore opérationnels.

La surveillance conditionnelle permet la mise en œuvre de méthodes de maintenance prédictive plus rentables. En surveillant les vibrations, la température, le courant ou d'autres indicateurs de performances, les opérateurs d'équipements peuvent identifier les signes avant-coureurs de dégradation des composants avant qu'une défaillance ne se produise. Cette approche basée sur les données réduit les temps d'arrêt imprévus, étend la durée de vie des équipements et réduit le coût total de possession.

Malgré tous ses avantages, le déploiement de la surveillance conditionnelle peut être freiné en raison de la complexité des exigences et de la nécessité de disposer de connaissances spécialisées dans de multiples disciplines. L'application réussie de la maintenance prédictive basée sur la surveillance conditionnelle pour les équipements industriels et automobiles se heurte à l'obstacle majeur de surmonter ces difficultés.

Défis et exigences de la surveillance conditionnelle

Pour que la surveillance conditionnelle déploie tout son potentiel, les solutions de surveillance conditionnelle doivent fonctionner de manière fiable dans les environnements industriels et automobiles exigeants tout en fournissant des analyses rapides basées sur des données de mesure précises. Cependant, la nature de ces environnements cibles soumet les dispositifs de mesure à des contraintes mécaniques et environnementales considérables, même pendant le fonctionnement normal de l'équipement surveillé. Les groupes motopropulseurs, les équipements rotatifs lourds et les moteurs industriels exposent les dispositifs de surveillance à des vibrations constantes, à des chocs, à des températures extrêmes et à des niveaux élevés d'interférences électromagnétiques (EMI).

Pour permettre une maintenance prédictive fiable, les capteurs de vibrations des dispositifs de surveillance conditionnelle doivent être capables de détecter les changements les plus subtils qui fournissent souvent les premiers indices d'un déséquilibre de l'arbre, d'un désalignement ou d'une usure des roulements. Pour garantir une mesure des vibrations de haute précision malgré des conditions environnementales difficiles, il faut un sous-système d'acquisition des signaux de capteurs à large bande passante et à faible bruit offrant des performances stables dans des environnements d'exploitation difficiles.

Au cœur des méthodes de surveillance conditionnelle, l'analyse des vibrations fournit la base pour la reconnaissance des modèles qui différencient le fonctionnement normal des premiers indicateurs de défaillance. Auparavant, les systèmes de capteurs de vibrations transmettaient leurs mesures à un hôte central ou à une ressource cloud pour analyse. Cependant, les solutions de surveillance conditionnelle avancées tendent de plus en plus à déplacer l'analyse en périphérie. L'analyse des données dans ou près du système de capteurs permet de générer des résultats avec une latence minimale et de réduire le trafic sur les réseaux industriels et automobiles sensibles au temps.

En particulier, l'inférence Edge AI basée sur des modèles de réseaux neuronaux convolutifs (CNN) permet l'interprétation en temps réel des variations vibratoires. Cependant, l'inférence à l'aide de CNN requiert des calculs intensifs, ce qui complique davantage l'objectif de mise en œuvre de la surveillance conditionnelle sans dépasser les limites de puissance, de taille ou de coût du système.

La nécessité de minimiser la consommation d'énergie devient plus pressante à mesure que la surveillance conditionnelle trouve une utilisation accrue dans les équipements rotatifs ou dans les équipements distants ou mobiles où les connexions filaires ne sont pas pratiques. Pour répondre aux exigences de connectivité sans fil dans de tels cas, Bluetooth Low Energy (BLE) offre la combinaison requise de portée, de puissance et de fiabilité par rapport aux autres options de connectivité (Tableau 1).

Tableau 1 : Parmi les normes de connectivité sans fil, BLE offre une combinaison de caractéristiques adaptées à la surveillance sans fil des vibrations. (Source du tableau : Analog Devices)

Cependant, comme pour le traitement Edge AI, le défi consiste à trouver une solution de connectivité BLE capable de fonctionner avec les contraintes de puissance d'un système de capteurs sans fil. En effet, garantir la durée de vie étendue des batteries reste un défi pour les concepteurs de tout système de détection sans fil. Cependant, cela est particulièrement important dans les applications industrielles et automobiles où les capteurs peuvent être difficiles à atteindre. Dans un système de surveillance conditionnelle censé effectuer une inférence CNN, la gestion des batteries et de l'alimentation devient de plus en plus critique. Le défi ici consiste à orchestrer plusieurs régulateurs, séquenceurs et systèmes de charge pour réduire la consommation d'énergie tout en garantissant un fonctionnement stable.

Kit d'évaluation fournissant une solution de surveillance conditionnelle sans fil directe avec Edge AI

Le kit Voyager 4 EV-CBM-VOYAGER4-1Z d'Analog Devices répond aux défis de déploiement de la surveillance conditionnelle sans fil avec Edge AI en fournissant une plateforme complète de surveillance des vibrations alimentée par batterie pour l'évaluation continue de la technologie CbM ou le déploiement immédiat dans des applications de maintenance prédictive. Le kit est conçu pour résister aux environnements difficiles, grâce à une douille-entretoise verticale (Figure 1, en haut) qui maintient fermement le circuit imprimé principal en place d'un côté et une batterie de l'autre. Un circuit imprimé d'alimentation et des capteurs sont situés au bas de la douille-entretoise, à proximité de la source de vibrations à surveiller. Pour le déploiement, l'assemblage de douille-entretoise vertical est placé dans un boîtier de protection en aluminium (Figure 1, en bas) de 46 mm de diamètre et de 77 mm de hauteur. Le boîtier est doté d'un couvercle en acrylique ABS pour permettre la connectivité BLE.

Figure 1 : L'assemblage de douille-entretoise robuste et le boîtier de protection du Voyager 4 permettent la surveillance conditionnelle sans fil fiable avec Edge AI dans les environnements difficiles. (Source de l'image : Analog Devices)

Construit autour d'un microcontrôleur (MCU) BLE MAX32666 d'Analog Devices et d'un microcontrôleur IA MAX78000EXG+ d'Analog Devices, le système de capteurs sans fil intègre un ensemble complet de dispositifs basse consommation pour fournir une mesure précise des vibrations et une détection des anomalies avec une autonomie batterie étendue (Figure 2).

Figure 2 : En combinant plusieurs dispositifs basse consommation, le Voyager 4 offre la combinaison de détection, de traitement et de connectivité requise pour une solution Edge AI CbM sans fil prête à l'emploi. (Source de l'image : Analog Devices)

Pour la mesure des vibrations, le Voyager 4 utilise l'accéléromètre à trois axes ADXL382-1BCCZ-RL7 d'Analog Devices, qui combine des capteurs MEMS (microsystèmes électromécaniques), un circuit d'entrée analogique (AFE) et un convertisseur analogique-numérique (CAN) 16 bits. Doté d'une bande passante de mesure de 8 kHz, ce dispositif est conçu pour fournir des mesures précises même dans les environnements exposés à de fortes vibrations. Il convient parfaitement aux conceptions basse consommation, ne consommant que 520 μA en mode hautes performances avec une bande passante de 8 kHz, ou que 32 μA en mode basse consommation avec une bande passante de 400 Hz.

Dans la conception du système Voyager 4, la sortie de l'ADXL382 passe par le commutateur CMOS ADG1634BCPZ-REEL7 d'Analog Devices, contrôlé par le microcontrôleur BLE MAX32666. La combinaison de ce microcontrôleur BLE et d'un accéléromètre MEMS ADXL367BCCZ-RL7 ultrabasse consommation d'Analog Devices joue un rôle central dans les modes de fonctionnement du Voyager 4 (Figure 3).

Figure 3 : Les modes de fonctionnement du Voyager 4 garantissent la génération efficace de données d'entraînement et d'inférence en temps réel, démontrant comment l'Edge AI peut prendre en charge la maintenance prédictive sans dépendre des ressources cloud. (Source de l'image : Analog Devices)

Pendant les opérations d'entraînement (chemin « a » dans la Figure 3), le microcontrôleur MAX32666 canalise les données de vibrations brutes de l'ADXL382-1BCCZ-RL7 pour les transmettre au système hôte de l'utilisateur via la radio BLE MAX32666 ou via la connexion USB du Voyager 4. Comme nous le verrons plus loin dans cet article, ce mode de fonctionnement fournit les données d'entraînement nécessaires pour générer des modèles d'inférence personnalisés sur lesquels l'Edge AI s'appuie pour la surveillance conditionnelle.

Lors des opérations de détection d'anomalies (chemin « b » dans la Figure 3), le microcontrôleur IA MAX78000EXG+ du Voyager 4 utilise sa connexion directe à l'ADXL382-1BCCZ-RL7 pour lire les données de vibrations brutes et exécuter un modèle d'inférence personnalisé avec son accélérateur CNN intégré pour la prévision des anomalies. Si les résultats de l'inférence indiquent la présence d'une anomalie, le MAX78000EXG+ émet une alerte, que le microcontrôleur BLE MAX32666 transmet à l'utilisateur pour action.

Si aucune anomalie n'est détectée, le capteur entre en mode veille. Dans cet état de repos, l'accéléromètre ADXL367BCCZ-RL7 ne consomme que 180 nA en mode d'activation par mouvement, se déclenchant lorsque les vibrations dépassent un seuil réglable. Lorsque cette activation par mouvement se produit, l'ADXL367BCCZ-RL7 active à son tour le microcontrôleur BLE MAX32666, qui initie un nouveau cycle de mesure et d'inférence des vibrations. Cette approche contribue à minimiser la consommation d'énergie pendant le fonctionnement normal, limitant l'utilisation de la radio BLE, qui consomme beaucoup d'énergie, aux sessions d'entraînement et aux alertes d'anomalies (Figure 4).

Figure 4 : L'activation par mouvement et l'utilisation sélective de la radio BLE contribuent à étendre la durée de vie de la batterie du Voyager 4. (Source de l'image : Analog Devices)

Une gestion efficace de l'alimentation est essentielle dans un dispositif destiné à prévoir les pannes des machines et équipements critiques. Outre les économies d'énergie réalisées au niveau du système grâce au mode d'activation par mouvement du Voyager 4, le Voyager 4 est doté d'un circuit intégré de gestion de l'alimentation (PMIC) MAX20335BEWX+T d'Analog Devices pour fournir les tensions d'alimentation requises. De plus, un indicateur de niveau MAX17262 d'Analog Devices surveille le courant de la batterie et permet d'estimer la durée de vie de la batterie. Pendant les différents modes de fonctionnement du Voyager 4, le microcontrôleur MAX32666 peut activer ou désactiver des sorties MAX20335BEWX+T individuelles pour répondre à des besoins d'alimentation spécifiques, optimisant ainsi davantage la consommation d'énergie.

Au niveau du dispositif, le fonctionnement basse consommation est une caractéristique essentielle des dispositifs individuels utilisés dans le kit Voyager 4. Par exemple, le microcontrôleur BLE MAX32666 ne requiert que 27,3 μA/MHz lors de l'exécution depuis le cache à 3,3 V. Le microcontrôleur IA MAX78000EXG+ utilise 22,2 μA/MHz (pendant l'exécution en boucle) depuis le cache à 3,0 V avec son processeur principal Arm® Cortex®-M4 actif. De plus, les deux microcontrôleurs intègrent un contrôleur de mise à l'échelle de tension dynamique qui minimise davantage la consommation d'énergie du cœur actif.

Cette combinaison d'optimisation de l'alimentation au niveau du système et au niveau du dispositif minimise efficacement la consommation d'énergie pendant les différents modes de fonctionnement du Voyager 4. En mode normal de détection d'anomalie, la consommation d'énergie du Voyager 4 est d'environ 0,3 mW avec le capteur actif une fois par heure, ce qui se traduit par une autonomie atteignant deux ans pour une batterie de 1500 mAh dans des conditions normales. En revanche, le mode d'entraînement requiert une utilisation intensive de la radio BLE pour transmettre les données de vibrations destinées à l'entraînement et la validation du modèle, résultant en une consommation d'énergie supérieure à 0,65 mW (Figure 4).

Entraînement et déploiement d'un modèle de surveillance des vibrations pour l'Edge AI

L'entraînement des modèles CNN est devenu un processus relativement simple grâce à la vaste disponibilité d'outils logiciels appropriés. Cependant, dans les modèles d'entraînement pour les applications d'Edge AI, la limitation des ressources des microcontrôleurs et des processeurs en périphérie a conduit au développement d'outils plus spécialisés, créés pour optimiser les modèles pour des dispositifs cibles individuels. Analog Devices fournit de tels outils dans son référentiel GitHub AI on a Battery, qui guide les utilisateurs dans un flux de travail documenté. Analog Devices décompose le flux de travail du modèle en une séquence de trois phases et fournit un référentiel GitHub dédié pour chacune d'elles (Figure 5).

Figure 5 : Un flux de travail structuré, avec des référentiels dédiés d'outils et d'instructions, aide les développeurs à optimiser les modèles CNN pour le microcontrôleur IA MAX78000EXG+, permettant ainsi la surveillance conditionnelle commandée par IA pratique sur des dispositifs à puissance limitée. (Source de l'image : Analog Devices)

À l'étape initiale, le référentiel ai8x-training fournit des instructions pas-à-pas détaillées pour préparer l'environnement de travail et effectuer l'entraînement avec le script Python train.py inclus. À l'étape suivante, le référentiel ai8x-synthesis fournit un ensemble d'instructions détaillées pour la configuration et le fonctionnement des outils utilisés pour convertir un modèle entraîné en code C.

La compréhension des capacités et des limites de l'environnement d'exécution CNN cible est un facteur déterminant pour le succès de l'Edge AI. Dans les référentiels ai8x-training et ai8x-synthesis, Analog Devices inclut un tutoriel détaillé pour aider les développeurs à comprendre la relation entre les décisions d'implémentation du modèle CNN et les capacités du microcontrôleur IA MAX7800x.

L'étape finale, documentée dans le référentiel Software Development Kit, fournit les instructions et les outils utilisés pour développer un micrologiciel qui embarque le modèle d'inférence pour le microcontrôleur MAX7800x cible. Après avoir généré le micrologiciel, les utilisateurs le chargent dans le Voyager 4 via une mise à jour filaire ou sans fil. À ce stade, l'utilisateur peut se connecter au Voyager 4 via BLE et envoyer des commandes à l'aide d'une interface utilisateur graphique (GUI) Python exécutée sur un hôte Windows. En mode de fonctionnement normal, le microcontrôleur IA effectue l'inférence sur instruction du microcontrôleur BLE MAX32666 ou automatiquement à l'activation.

Conclusion

Les temps d'arrêt imprévus dus à des pannes d'équipements engendrent des coûts et des risques. Même si la surveillance conditionnelle peut contribuer à réduire les coûts et à atténuer les risques grâce à la maintenance prédictive, la conception de systèmes de capteurs sans fil appropriés avec analyse reste complexe. Le kit d'évaluation sans fil Voyager 4 d'Analog Devices fournit une solution prête à l'emploi qui surmonte ces défis, permettant le déploiement rapide de la maintenance prédictive avec une détection de précision, une utilisation efficace de l'énergie, une connectivité sans fil et un traitement robuste avec Edge AI.