在這個項目中，我將開發(fā)一個使用IMU傳感器來預測機器維護和潛在故障的系統(tǒng)

1. 介紹

該項目旨在使用英飛凌PSoC6 AI Kit和DeepCraft Studio為工業(yè)機器開發(fā)基于AI的預測性維護系統(tǒng)。系統(tǒng)將：

?從內置的IMU傳感器(加速度計和陀螺儀)收集實時振動數(shù)據(jù)。

?將這些數(shù)據(jù)流式傳輸?shù)紻eepCraft Studio進行人工智能模型訓練。

?訓練人工智能模型來檢測異常并預測機器故障。

?使用ModusToolbox將訓練好的模型部署到PSoC6 AI Kit。

?向用戶提供早期維護提醒。

2. 硬件和軟件要求

硬件:

?英飛凌PSoC6 AI套件(帶IMU傳感器)

?工業(yè)機械(用于振動數(shù)據(jù)采集)

?USB/UART連接數(shù)據(jù)流

軟件:

?DeepCraft Studio (AI模型訓練)

?ModusToolbox (PSoC6固件開發(fā))

我很驚訝地發(fā)現(xiàn)一個現(xiàn)成的例子在DeepCraft工作室異常振動檢測

這個項目將分為兩個部分

第一節(jié)

首先，我將開始測試現(xiàn)成的模型。

第二節(jié)

然后我將制作我的模型，并使用我的流IMU數(shù)據(jù)集訓練它。

這兩種模型都將在PSOC 6 AI KIT上進行部署和測試。

3. 第一節(jié)

使用現(xiàn)成模型實施項目的步驟。

在本節(jié)中，我將使用DeepCraft Studio生成現(xiàn)成模型的代碼

a-生成Model.c和.h文件

在架構中選擇英飛凌PSOC，在目標設備中選擇PSOC6，輸出文件夾并按“生成代碼”

在生成model.c和model.h文件之后，您可以在infineon文件夾中找到模型文件，復制Both files model.c和model.h，然后我們將使用modulebox進行部署

b-創(chuàng)建模塊工具箱部署模型：

1-打開模塊工具箱軟件，選擇你的工作空間

2-使用新建應用程序向導創(chuàng)建新項目

3 .選擇CY8CKIT-062S2-AI PSOC作為您的BSP

4-在機器學習部分，只需選擇DEEPCRAFT部署模型運動，并按您喜歡的重命名項目并按創(chuàng)建

5-創(chuàng)建Modus項目后，打開models文件夾，用DeepCraft Studio生成的文件替換model.c和model.h

你可以將你的自定義代碼添加到main， c文件中，當模型成功運行時，在這個項目中，紅色LED將在異常檢測時打開

現(xiàn)在我想只運行準備好的模型來測試它的工作，只是構建項目并等待完成，沒有錯誤

6-編程您的工具包，并從modstoolbox或putty或Tera Term打開串行控制臺，您喜歡(波特：115200,8,none, 1)

Ready振動模型部署

正如在視頻中注意到的，試劑盒必須與原始訓練模型處于相同的方向，如下面的截圖所示，所以這個模型只在這個方向上訓練;任何其他方向的工具包將給我們一個異常的振動，即使沒有振動。所以我將以不同的方向訓練我的模型來避免這種情況。

4. 第二節(jié)

使用我自己的模型實現(xiàn)項目的步驟。

a-步驟1：收集和流IMU傳感器數(shù)據(jù)到DeepCraft工作室

1. -配置IMU傳感器(加速度計和陀螺儀)

?使用PSoC6的SPI接口讀取IMU數(shù)據(jù)。

?樣本振動數(shù)據(jù)在100赫茲(根據(jù)機器振動調整)。

?應用FFT(快速傅立葉變換)提取頻域特征。

2 -。流數(shù)據(jù)到DeepCraft工作室

?使用流媒體協(xié)議V2。

3 -。培訓標簽數(shù)據(jù)

?收集正常和異常的振動模式。

?使用時間戳標記故障條件。

?為這個模型創(chuàng)建的標簽是(正常、需要維護、嚴重故障)。

b-步驟2：在DeepCraft Studio中構建和訓練AI模型

1.導入數(shù)據(jù)到DeepCraft工作室

使用流協(xié)議V2流IMU數(shù)據(jù)到DEEPCRAFT STUDIO的圖形UX項目。

創(chuàng)建一個新的GRAPH UX項目

如果需要，對數(shù)據(jù)進行預處理(歸一化，噪聲濾波)。

設置IMU輸入數(shù)據(jù)頻率為100hz，以獲得更好的高速振動數(shù)據(jù)采集

添加預定義的標簽(正常、需要維護、嚴重故障)

之后，我將開始為不同的情況構建我的數(shù)據(jù)集，以確保模型將有一個好的訓練數(shù)據(jù)集

所以對于normal，我將從不同位置的IMU獲得流數(shù)據(jù)(水平位置-不同垂直位置)

在完成收集數(shù)據(jù)會話之后，我們將創(chuàng)建我們的分類項目

2-創(chuàng)建空分類項目

3-添加數(shù)據(jù)

在我們分類項目的數(shù)據(jù)部分，我們將使用---- b>添加數(shù)據(jù)按鈕將收集到的振動數(shù)據(jù)添加到數(shù)據(jù)的文件夾位置

將數(shù)據(jù)分成訓練(70%)、驗證(20%)和測試(10%)。

4. 預定義的標簽

添加預定義標簽(正常-需要維護，嚴重故障)

5. 預處理器

在預處理器選項卡中創(chuàng)建一個滑動窗口大小=[128*3]。數(shù)據(jù)點數(shù)步幅= 6緩沖乘數(shù)= (1)

-從預處理器創(chuàng)建軌道(等待完成)

然后構建預處理器。

6. 設計AI模型

使用1D CNN或LSTM(適用于時間序列振動數(shù)據(jù))。

示例模型結構：

輸入：6個功能(3軸加速+ 3軸陀螺)

隱藏層：Conv1D→LSTM→Dense

輸出：二分類(正常/異常)。

7. 訓練模型

設置好模型參數(shù)后，開始新的訓練作業(yè)

等待Job完成

然后下載最好的訓練模型

C-步驟3：將模型部署到PSoC6 AI工具包

1. 從模型生成C代碼

2. 重復第1節(jié)中的步驟來部署我們的模型

3 .整合AI模型

將model.h model.c復制到modulestoolbox項目中。

在main.c中加載模型

步驟4：測試和驗證系統(tǒng)

1. 臺架測試

?用吸塵器或馬達模擬振動。

?驗證AI模型是否檢測到異常。

2.真實的測試

?將PSoC6連接到工業(yè)機器上。

?監(jiān)控

?我的訓練模型部署

?預測vs.實際失敗。

3.優(yōu)化

?調整采樣率。

?微調AI模型閾值。

4. 預期的輸出

?PSoC6將持續(xù)監(jiān)測振動。

?如果檢測到異常模式，它將觸發(fā)警報(LED/UART消息)。

用戶可以收到早期的維護預警。

5. 結論

本項目演示如何：

?流實時IMU數(shù)據(jù)到DeepCraft Studio。

?為預測性維護訓練人工智能模型。

?使用ModusToolbox將模型部署到PSoC6上。

?及早發(fā)現(xiàn)機器故障并提醒用戶。

本文編譯自hackster.io