99.9% 이상의 정확도로 진동 센서를 사용한 기어박스 오류 감지

기어박스와 같은 복잡한 산업 시스템에서는 예기치 않은 장비 고장을 방지하고 유지보수 일정을 최적화하는 것이 매우 중요합니다. 센서와 머신 러닝을 통해 진동 패턴을 모니터링하면, 비용이 많이 드는 고장이 발생하기 전에 이상을 감지하여 사후 또는 정기 유지보수 방식에서 벗어나 보다 효율적인 예측 유지보수로 전환할 수 있습니다. 이를 통해 다운타임을 줄이고 장비 수명을 연장할 수 있습니다.

에지 AI는 기계 수준에서 진동 데이터를 로컬로 처리하여 실시간 이상 감지를 지원합니다. 이를 통해 클라우드 의존성과 지연 시간을 제거하면서 정상 패턴을 지속적으로 학습하고 편차를 식별합니다. 유지보수를 고정 일정에서 상태 기반 개입으로 전환하여 응답 시간을 개선하고 여러 산업 장비에서 확장 가능한 배포를 지원합니다.

이 사용 사례는 TI의 저전력 MCU 아키텍처에 맞게 공동 최적화된 TI의 독자적인 이상 감지 모델을 기반으로 합니다. TI의 MSP 마이크로컨트롤러 제품군은 TinyEngine™ NPU를 기반으로 하며, 해당 이상 감지 모델은 99.9% 이상의 정확도를 달성하도록 최적화되었습니다.

데이터 수집

기어박스 오류 감지 데이터 세트는 SpectraQuest의 기어박스 오류 진단 시뮬레이터에서 기록된 진동 데이터 세트를 포함합니다. 데이터 세트는 서로 다른 네 방향에 배치된 4개의 진동 센서를 사용해 0%에서 90%까지 다양한 부하 조건에서 기록되었습니다. 두 가지 시나리오(정상 상태와 톱니 파손 상태)가 포함되어 있습니다.

총 20개의 파일이 있으며, 정상 기어박스 10개와 오류 기어박스 10개의 데이터가 포함됩니다. 각 파일은 0%부터 90%까지 10% 단위로 증가하는 부하 조건을 나타냅니다. 이 오픈 소스 데이터 세트는 Kaggle에서 확인할 수 있습니다.

데이터 품질 평가

AI 모델을 의미 있는 데이터 기반으로 구축해야 합니다. 아래는 LDA(선형 판별 분석) 및 PCA(주성분 분석) 성분을 사용해 테스트 데이터 세트를 시각화한 결과입니다. 

고급 최적화 및 탐색 알고리즘으로 설계, 학습, 배포 전반에서 성능이 뛰어난 AI 모델을 개발하고 개발 속도를 가속화할 수 있습니다. 

이 사용 사례에서는 8개의 서로 다른 모델을 구현합니다. MSPM0-SDK에서 이러한 모델을 살펴보고 다양한 하드웨어 리소스 사용량에 따른 모델 성능을 비교하기 위해 파레토 프런트 그래프를 참고하시기 바랍니다.

CCStudio™ Edge AI Studio는 학습된 모델을 임베디드 대상에 배포하기 위한 엔드 투 엔드 워크플로를 제공합니다. 보다 높은 수준의 사용자 지정과 제어가 필요한 개발자를 위해 MSPM0-SDK는 에지 AI 기능을 빌드하고 자체 임베디드 애플리케이션에 통합할 수 있는 포괄적인 프레임워크를 제공합니다.

MSP 시리즈 MCU는 기어박스 오류 감지 모델 실행 및 가속을 위한 확장 가능한 성능을 제공하며, 애플리케이션에 중요한 SoC 기능도 함께 제공합니다.