99.9% 以上の精度を持つ振動センサを用いたギアボックス故障検出

ギアボックスのような複雑な産業システムでは、予期しない設備故障を防ぎ、メンテナンス スケジュールを最適化することが極めて重要です。センサと機械学習を用いて振動パターンを監視することで、異常が高コストな故障に発展する前に検出できます。これにより、事後対応型や定期メンテナンスから、ダウンタイムの削減と設備寿命の延長を実現する、より効率的な予知保全へと移行することが可能になります。

エッジ AI は、機械レベルで振動データをローカルに処理することで、リアルタイムの異常検出を可能にします。これにより、クラウドへの依存や遅延を排除しつつ、正常なパターンを継続的に学習し、逸脱を検出できます。これにより、メンテナンスは固定スケジュールから状態に基づく対応へと変わり、対応速度が向上するとともに、複数の産業機械へのスケーラブルな展開が可能になります。

この使用事例は、TI の低消費電力マイコン アーキテクチャ向けに共同最適化された、TI 独自の異常検知モデルによって実現されています。TI の MSP マイコン ファミリは、TinyEngine™ NPU を搭載しており、異常検出モデルは 99.9% を上回る精度を達成するよう最適化されています。

データ収集

このギアボックス故障検出データセットには、SpectraQuest のギアボックス故障診断シミュレータによって記録された振動データが含まれています。このデータセットは、4 つの異なる方向に配置された 4 つの振動センサを用いて記録されており、負荷は 0% から 90% まで変化します。また、正常状態と歯欠け状態の 2 つの異なるシナリオが含まれています。

合計で 20 ファイルあり、正常なギアボックスのデータが 10 ファイル、故障したギアボックスのデータが 10 ファイル含まれています。各ファイルは、0% ～ 90% からの指定された負荷 (10% 単位) に対応しています。このオープンソースのデータセットは Kaggle で利用できます。

データ品質の評価

本当に重要なデータに基づいて AI モデルを構築できていることを確認します。以下は、LDA (線形判別分析) および PCA (主成分分析) の成分を用いてテスト データセットを可視化したものです。 

設計、トレーニング、展開において高度な最適化および探索アルゴリズムを活用することで、優れた性能を持つ AI モデルの開発を加速します。 

この使用事例では、8 つの異なるモデルを実装しています。MSPM0-SDK 内のこれらのモデルをご確認いただき、設計された各モデルのハードウェア フットプリントごとの性能を把握するために、以下のパレートフロント プロットを参考にしてください。

CCStudio™ Edge AI Studio  は、学習済みモデルを組込みターゲットに展開するための、開始から完了までの一貫したワークフローを提供します。より高度なカスタマイズや制御を求める開発者には、MSPM0-SDK  が、エッジ AI 機能を独自の組み込みアプリケーションに構築し、統合するための包括的なフレームワークを提供します。

MSP シリーズ マイコンは、ギアボックス故障検出モデルの実行および高速化に対応するスケーラブルな性能を提供するとともに、アプリケーションに不可欠な主要 SoC 機能も備えています。