声音预测性维护开源硬件

描述

每个制造环境都配备了机器。对于性能更好的制造单元，机器的健康起着重要作用，因此维护也起着重要作用。我们有三种维护策略，即预防性维护、纠正性维护和预测性维护。

如果您想在防止故障和避免过度维护之间找到最佳平衡点，PdM 是必经之路。为您的工厂配备相对实惠的传感器来跟踪温度、振动和运动数据，使用预测技术在即将发生故障时安排维护，您会发现运营成本大幅降低。

在最新的技术时代，教计算机理解声学世界现在是一个热门的研究课题。所以在这个项目中，我们使用声音对 Nano 33 BLE Sense 进行一些预测性维护。

 

它是如何工作的？

我们使用 Nano 33 BLE Sense 持续聆听机器。MCU 运行一个 ML 模型，该模型接受两组声学异常和正常操作模式的训练。当 ML 模型发现异常时，会立即通知操作员，并在适当检查后关闭机器进行维护。因此，我们可以减少可能造成的损坏并减少停机时间。

硬件要求

• Nano 33 BLE 感知
• 引领

软件要求

• 边缘脉冲
• 开发环境

硬件设置

硬件设置包括一个 Nano 33 BLE Sense，它被放置在一个旧的交流电机旁边。

 

 

软件设置

如果您尚未将设备连接到 Edge Impulse 仪表板，请按照本教程进行连接。成功连接后，它应该出现在“设备”选项卡中。

 

或者，最新版本的 Google Chrome 和 Microsoft Edge 可以直接从您的开发板收集数据，而无需 Edge Impulse CLI。按照本教程了解更多信息。

TinyML 模型生成

成功设置硬件和软件后，现在我们已准备好进行模型生成，其中包括许多步骤。让我们从收集一些数据开始。

1. 数据收集

清洁数据是训练性能良好的模型的最重要要求。在我们的例子中，我们收集了 3 类声音 - 两类异常，一类正常操作，显然还有一类噪音。每个样本长 2 秒。这些类的原始数据如下所示。

 

 

 

 

如果数据没有拆分成训练和测试数据集，则将数据集按80:20的比例拆分成训练和测试数据集，形成一个很好的模型训练数据集。

2. 冲动设计

脉冲是机器学习管道，它获取原始数据，使用信号处理来提取特征，然后使用学习块对新数据进行分类。

 

这里我们使用时间序列数据作为输入块。现在，我们有两种处理块的选择——MFCC 和 MFE。由于我们正在处理非人声音频，而 MFE 在处理非人声音频方面表现良好，因此我们选择MFE作为我们的处理块。我们使用分类作为我们的学习块，因为我们必须学习模式并将它们应用于新数据以将音频分类为给定的 4 个类之一。

 

在MFE选项卡中，如果您擅长音频处理，则可以调整参数，否则保持设置不变并生成功能。

 

3. 模型训练与测试

现在我们已经设计了冲动，让我们继续训练模型。我们用于模型训练的设置如图所示。您可以尝试调整模型训练设置，使训练后的模型表现出更高的准确性，但要注意不要过度拟合。

 

经过训练的模型达到了高达 94.7% 的准确率。

 

现在让我们使用一些未知数据来测试模型的功能。要评估模型的性能，请转到模型测试和全部分类。

 

我们得到了 95.07% 的测试准确率，这非常棒。现在让我们用一些真实世界的数据来测试模型。导航到实时分类并从连接的设备收集一些数据。

好的

 

异常 1

 

异常2

 

我们分别收集了Normal Operation Mode 、Anomaly 1和Anomaly 2的一些真实世界数据，它们都被正确分类了。因此我们的模型已准备好部署。

部署

对于部署，导航到部署选项卡，选择Arduino 库并构建库。它将输出一个 zip 库，可以将其添加到Arduino IDE中。

 

完成品

Nano 33 BLE Sense 连同一个 LED 封装在一个 3D 打印的外壳中，这是我们的最终产品。该设备能够识别机器中的声音异常，并使用警报 LED 向用户发出警报。