Detección de fallos de la caja de cambios mediante sensores

Para sistemas industriales complejos, como las cajas de cambios, es fundamental evitar fallos inesperados en los equipos y optimizar los programas de mantenimiento. Mediante la supervisión de los patrones de vibración a través de sensores y el aprendizaje automático, se pueden detectar anomalías antes de que se conviertan en fallos costosos, pasando del mantenimiento reactivo o programado a un enfoque predictivo más eficiente que reduce el tiempo de inactividad y prolonga la vida útil del equipo.

Edge AI permite la detección de anomalías en tiempo real mediante el procesamiento local de los datos de vibraciones a nivel de máquina. Esto elimina la dependencia y latencia de la nube, al tiempo que aprende continuamente los patrones normales e identifica desviaciones. Transforma el mantenimiento desde programas fijos hasta intervenciones basadas en la condición, lo que mejora los tiempos de respuesta y permite una implementación escalable en varias máquinas industriales.

Este caso de uso se basa en el modelo patentado de detección de anomalías de TI, que se ha co-optimizado para la arquitectura de microcontroladores (MCU) de baja potencia de TI. La familia de microcontroladores MSP de TI se alimenta de la unidad de procesamiento neuronal (NPU) TinyEngine™ y el modelo de detección de anomalías está optimizado para alcanzar una precisión de 99.9 %.

Recopilación de datos

El conjunto de datos de detección de fallos de la caja de cambios incluye el conjunto de datos de vibración que graba el simulador de diagnóstico de fallos de la caja de cambios de Spectraquest. El conjunto de datos se ha registrado utilizando 4 sensores de vibración ubicados en cuatro direcciones diferentes, y bajo una variación de carga de '0' a '90' por ciento. Se incluyen dos escenarios diferentes: condición saludable y condición de diente roto.

Hay 20 archivos en total, 10 para una caja de cambios saludable y 10 de una dañada. Cada archivo corresponde a una carga dada de 0 % a 90 % en pasos de 10 %. Este conjunto de datos de código abierto está disponible en Kaggle.

Evaluación de la calidad de los datos

Asegúrese de que su modelo de IA se base en datos que realmente importan. Aquí está la visualización del conjunto de datos de prueba que utiliza los componentes LDA (Análisis discriminante lineal) y PCA (Análisis de componentes principales). 

Acelere el desarrollo con algoritmos de búsqueda y optimización avanzados para el diseño, el entrenamiento y la implementación de modelos de IA con un rendimiento superior. 

Para este caso de uso, implementamos 8 modelos diferentes. Explore estos modelos en MSPM0-SDK y utilice el diagrama frontal de pareto que aparece a continuación como referencia para ver el rendimiento de los modelos diseñados con diferentes espacios de hardware.

CCStudio™ Edge AI Studio ofrece un flujo de trabajo de inicio a fin para implementar modelos entrenados en objetivos integrados. Para los desarrolladores que buscan una personalización y un control más profundos, el MSPM0-SDK ofrece un marco completo para crear e integrar funciones de Edge AI en sus propias aplicaciones integradas.

Los MCU de la serie MSP ofrecen un rendimiento escalable para ejecutar y acelerar modelos de detección de fallos de la caja de cambios, junto con funciones clave de SoC críticas para su aplicación.