如何将机器学习与Sensortile.box和Qeexo AutoML一起用于预测性维护?---MEMS和传感器“On Life”系列
在工业环境中,在机器发生严重故障之前,能够识别何时需要对机器进行维修通常是很重要的。这种类型的问题通常被称为预测性维护。在本教程中,我们是sol。。。
目录
- 为什么进行一些预测性维护很重要?
- 使用Sensortile.box和Qeeexo ML检测异常:项目描述
- 问题场景
- 参数配置
- 传感器配置
- 数据收集
- 模特培训
- 论人生!
为什么进行一些预测性维护很重要?
在工业环境中,识别机器何时需要维修通常很重要之前机器出现严重故障。这种类型的问题通常被称为预测性维修解决预测性维护问题的一种方法是使用一类或多类分类模型进行异常检测,其中该模型可以使监控系统意识到机器以如下方式运行:不同的而不是其标准操作行为。
使用Sensortile.box和Qeeexo ML检测异常:项目描述
本教程介绍如何通过Qeexo AutoML对SensorTile.box进行编程,以建立一个用于机器振动数据异常检测的一类分类模型。此链接提供了更复杂的模型。
问题场景
为了检测各种正常或异常的机器操作条件,使用了故障模拟器。它由一个由旋转电机驱动的飞轮组成,旋转电机可以配置为以各种速度旋转,也可以配置为具有许多不同的附件,以模拟电机的错误功能。SensorTile.box板固定在转子上,数据通过USB-VCOM从板载加速度计获取。
参数配置
在初始化项目之前,请打开Qeexo.com并检查您的电脑上是否安装了QeexoML工具。您可能会在“资源”部分、安装和用户指南中找到更多实用信息。硬件准备就绪后,您可以从启动页面启动项目。
传感器配置
对于任何传感器配置,我们需要考虑三个因素:
- 什么类型的数据将捕捉我们类之间的差异
- 什么信号长度将捕捉到我们班之间的差异
- 什么范围的传感器值将完全捕获我们输入的范围
对于这个问题,加速度计和陀螺仪ODR为的传感器6667赫兹,具有的FSR+/-2克和+/-125 dps,将分别选择。这应该使我们能够准确地捕捉机器振动分类通常需要的高频、高精度数据。
数据收集
此应用程序的目标是确定机器是否正常运行。在这种情况下,在没有物理附件的情况下,正常机器行为设置为约1500 RPM。
如果只有一个类模型就足够了,那么只需要在这些“正常”条件下收集数据,我们将使用由此产生的模型来确定机器是否在这些条件下运行。
对于这种情况,我们将收集200秒的不断的“1500 RPM”数据。该数据的前10秒如下图所示。
模特培训
在配置了传感器并收集了数据之后,我们就可以构建一个初始模型了。我们将从培训页面中选择收集的数据,然后按“开始新的培训”。检查自动和手动选择功能与
运行手动生成
要在加速度计和陀螺仪数据上手动使用这些功能建立模型,请选择手动传感器选择在第一个训练设置页面上,然后我们将选择手动功能选择在下一页上,以便选择所有功能组。
接下来,我们将选择最大值实例长度对于6.6kHz数据和类似数据分类区间,307毫秒和250毫秒分别,我们将选择局部异常值因子(LOF)* 型号用于构建。我们将使用这些相同的值实例长度,分类区间和型号对于这个演示中的所有构建。
设置完所有配置参数后,我们可以通过按下“开始训练”按钮启动构建。
培训完成后,库将闪烁到连接的设备上,模型结果将显示在“模型”选项卡上:
使用自动传感器和功能选择运行构建
在这种情况下,除了我们将在“传感器选择”窗格中选择“自动”选项外,将使用以前的大多数相同设置。
启用此选项将应用Qeexo的选择算法来为给定的问题找到最佳的传感器和功能,而代价是增加构建时间。在这种情况下,构建的时间比所有功能构建的时间长约40%。
构建完成后,最终模型将显示在“模型”选项卡的顶部:
从上图中,我们可以看到,启用AutoML的传感器和特征选择后,我们能够实现比所有特征模型更高的模型精度,同时也具有与所有特征模型相似的延迟和更小的模型尺寸。
论人生!
最后,我们希望将编译后的二进制文件闪存到ST.box中,并检查分类器是否产生了预期的输出。如本教程的视频版本所示,最终模型能够在嵌入式设备上运行推理,并实时准确识别各种异常状态。请访问我们的网站:https://qeexo.com/video
请参阅此链接以供参考
参见合作伙伴页面Qeexo.com