Anwendungsübersicht
Motorlagerschäden sind eine der Hauptursachen für ungeplante Ausfallzeiten in industriellen Systemen. Eine frühzeitige Erkennung sorgt dafür, dass Maschinen sicher laufen, ohne dass Anlagenstillstandszeiten oder eine teure externe Überwachung erforderlich sind.
Unsere mit der TinyEngine™-NPU ausgestatteten Echtzeit-MCUs für Motorsteuerung und -automatisierung ermöglichen die Schadenklassifizierung direkt am Motor, wodurch Cloud-Konnektivität oder Off-Board-Verarbeitung überflüssig werden. Im Gegensatz zu herkömmlichen FFT-basierten Ansätzen, die eine manuelle Merkmalserkennung erfordern, erlernt Edge-KI komplexe Vibrationsmuster durch datenbasiertes Training, wodurch sie sich an eine Vielzahl von Motortypen und Betriebsbedingungen anpassen lässt.
Evaluierung zum Einstieg
Datensammlung
Das LAUNCHXL-F28P55X-LaunchPad™-Entwicklungskit wird für diese Aufgabe verwendet. Ein am Motor angebrachter Vibrationssensor ist an den SPI-Port der Evaluierungsplatine angeschlossen, um die Vibrationssensordaten bereitzustellen. Diese Daten werden in Echtzeit verarbeitet und vom Edge-KI-Modell zur Erkennung und Klassifizierung potenzieller Motorlagerschäden überwacht. Die Registerkarte „Daten&erfassen und anzeigen“ in CCStudio™ Edge AI Studio wird verwendet, um das LaunchPad zu steuern und die Datenerfassung abzuschließen. Die erfassten Vibrationsdaten werden für das Training des Modells verwendet.
Bewertung der Datenqualität
Erfasste Vibrationsdaten können in Edge AI Studio sowohl nach Zeit- als auch nach Frequenzdomäne angezeigt und in Diagrammen dargestellt werden, um sicherzustellen, dass die Vibrationsdatensätze anhand ihrer Merkmale getrennt werden können.
Erstellen und trainieren Sie Ihr Modell
Edge AI Studio ermöglicht die Durchführung von Modelltraining, -tests und -implementierung über eine intuitive Benutzeroberfläche.
- Entdecken und trainieren Sie mehrere Modelloptionen mithilfe eines benutzerfreundlichen GUI-basierten Workflows.
- Steigen Sie mit dem Beispielprojekt Motorlagerschäden mit einem vorinstallierten Datensatz schnell ein.
- Nutzen Sie Ihre eigenen Daten dank integrierter Erfassungs- und Hosting-Tools.
Modellflexibilität zur Unterstützung Ihrer Anwendungsanforderungen basierend auf Speicherbeschränkungen und Anforderungen zur Ausreißererkennung.
Implementierung Ihres Modells
CCStudio Edge AI Studio bietet einen kompletten Workflow für die Bereitstellung trainierter Modelle direkt auf eingebetteten Zielen.
Für Entwickler, die eine tiefere Anpassung und Steuerung wünschen, bietet das C2000WARE-DIGITALPOWER-SDK ein umfassendes Framework für die Erstellung und Integration von Edge-KI-Funktionen für Ihre eigenen Embedded-Anwendungen.
Finden Sie den richtigen Baustein für Ihre Zwecke
Die c28-DSPs und Arm®-Cortex®-M33-basierten MCUs von TI bieten skalierbare Leistung zur Ausführung und Beschleunigung von Modellen zur Erkennung von Störlichtbögen sowie wichtige SoC-Funktionen, die für Ihre Anwendung entscheidend sind.
Die untenstehenden Daten beruhen auf: 4 kHz Abtastfrequenz und 256 Abtastungen
| Ausführungszeit des Modells (ms) | Flash (kB) | SRAM (kB) | ||||
|---|---|---|---|---|---|---|
| Produktnummer | Verarbeitungskern | NPU verfügbar | Taktfrequenz (MHz) | Benchmark-Metriken für Lichtbogenerkennung | ||
| TMS320F28P550x | C28x-DSP-Kern | Ja | 150 | 0,17 | 1,8 | 1,1 |
| TMS320F2800137 | C28x-DSP-Kern | Nein | 120 | 0,42 | 1,2 | 1 |
| TMS320F28P650 | C28x-DSP-Kern | Ja | 200 | 0,25 | 1,2 | 1 |
| AM13E23019 | Cortex-M33-Kern | Ja | 200 | ~0,13* | 3 | 0,9 |
Alles an Hardware, Software und Ressourcen, was Sie zum Einstieg benötigen
Hardware
LAUNCHXL-F28P55X
Evaluierungs- und Entwicklungsplatine für MCUs der Serie C2000 TMS320F28P550x von TI, die in Verbindung mit dem einsteckbaren Motorantriebs-BoosterPack verwendet werden kann, um die Aufgaben der Datenerfassung und Echtzeit-Inferenzierung durchzuführen.
Software- und Entwicklungstools
CCStudio™ Edge AI Studio
Eine vollständig integrierte Lösung ohne Notwendigkeit von Code für Sensordatenerfassung, Training und Kompilierung von Modellen zur Motorlagerschadenklassifizierung und -erkennung, die auf unseren MCUs implementiert werden.
Dynamic tensorlab
Eine Befehlszeilen-Schnittstelle für Benutzer mit Erfahrung im Motorbereich, die ihr eigenes Modell entwickeln möchten.
Unterstützende Ressourcen
Dieses Dokument enthält einen Leitfaden zur Entwicklung einer auf einem Convolutional Neural Network (CNN) basierenden Motorschadenklassifizierung mit C2000-Bausteinen
Industrieautomatisierung | Motordiagnose & -überwachung
Reduzieren Sie Rauschen, verbessern Sie die Effizienz und erhöhen Sie die Zuverlässigkeit von HLK-Systemen, indem Sie mittels einem einzigen MCU mit NPU zusätzlich zur Motorsteuerung frühzeitig Unwuchten zwischen Lüfterflügeln mit einer Empfindlichkeit einstelligen Grammwerten erkennen.