AI를 통한 예측 유지 보수를 위해 전류 센서를 사용하여 효과적으로 데이터 수집

사물 인터넷(IoT)의 등장으로 인공 지능(AI) 및 머신 러닝(ML) 기술을 사용하여 모터, 발전기, 펌프를 비롯한 기계의 상태를 모니터링하고 유지 보수 엔지니어에게 다가오는 문제를 알릴 때 획기적인 이점을 제공합니다. 이러한 유형의 예측 유지 보수를 구현하려는 AI/ML 시스템 설계자는 응용 분야에 가장 적합한 센서를 선택하는 데 어려움이 있습니다. 또 다른 문제는 AI/ML 응용 제품을 만들어본 경험이 있는 설계자가 상대적으로 적다는 것입니다.

AI/ML 시스템에서 사용할 데이터를 얻기 위해 설계자가 고전력 마이크로 컨트롤러 개발 플랫폼과 결합된 3축 가속도계와 같은 정교한 센서를 선택하는 경우도 있습니다. 하지만 대부분의 경우 간단한 전류 센서를 보통의 저렴한 마이크로 컨트롤러 개발 플랫폼과 함께 사용하여 원하는 목표를 달성할 수 있습니다.

이 기사에서는 전류 감지 변압기를 사용하여 AI/ML 응용 제품을 간단하고 비용 효율적으로 구현하는 데 필요한 데이터를 습득하는 방법을 소개합니다. 또한 CR Magnetics의 저가형 Arduino IoT 마이크로 컨트롤러개발 플랫폼과 전류 감지 변압기를 사용하고, 전류 센서를 통해 통합된 필터로 진공 펌프의 상태를 모니터링하여 필터가 막힐 경우 사용자에게 알리는 간단한 회로에 대해 설명합니다. 마지막으로 연결된 AI/ML 응용 제품을 생성하는 공정을 간략하게 설명합니다.

AI/ML을 위한 간단한 센서

AI/ML 응용 분야에서 사용할 데이터를 수집하기 위해 설계자가 3축 가속도계와 같은 정교한 센서를 선택하는 경우도 있지만, 이러한 유형의 센서는 조작하거나 이해하기 어려운 많은 양의 데이터를 생성할 수 있습니다. 이러한 복잡성을 방지하기 위해 모든 것이 상호 관련 있다는 것을 기억하는 것이 좋습니다. 신체의 일부에 부상을 입으면 신체의 다른 부위에서 관련 통증이 느껴지는 것처럼, 모터의 베어링이 추락하면서 해당 모터를 구동하는 데 사용되는 전류가 수정될 수 있습니다. 마찬가지로 공기 흡입구가 막히면 과열이 발생할 뿐만 아니라 모터를 구동하는 데 사용 중인 전류가 수정될 수도 있습니다.

따라서 기계 작동의 한 측면을 모니터링하여 작업의 다른 측면을 파악할 수 있습니다. 결과적으로 CR Magnetics의 저가형, 소형 크기 CR3111-3000 스플릿 코어 전류 감지 변압기를 통해 관련 파라미터를 관찰하여 원하는 모니터링 및 감지 목표를 달성할 수 있습니다(그림 1).

그림 1: CR3111-3000 스플릿 코어 전류 감지 변압기는 AI/ML 예측 유지 보수 응용 분야에서 기본 센서로 사용할 수 있는 간편한 저가형 전류 감지기를 제공합니다. (이미지 출처: CR Magnetics)

CR3111-3000을 사용하여 최대 100A의 전류를 감지할 수 있습니다. 더 작거나 더 큰 전류 값의 경우 CR31xx 제품군의 다른 제품을 사용할 수 있습니다. 모든 제품군은 20Hz ~ 1kHz의 주파수 범위를 지원하여 대부분의 산업 응용 분야를 포괄할 수 있습니다. 또한 모든 CR31xx 장치는 전류가 흐르는 전선을 차단하지 않고 부착할 수 있도록 힌지 및 잠금 스냅을 사용합니다.

Arduino Nano 33 IoT

간단한 AI/ML 응용 제품의 시제품을 제작하는 데 적합한 저가형 마이크로 컨트롤러 개발 플랫폼의 한 예로 Arduino의 ABX00032 Arduino Nano 33 IoT가 있습니다(그림 2). 48MHz에서 작동하는 Arm® Cortex®-M0+ 32비트 ATSAMD21G18A 프로세서와 256KB 플래시 메모리 및 32KB SRAM을 탑재한 Arduino Nano 33 IoT는 Wi-Fi 연결과 Bluetooth 연결을 모두 지원합니다.

그림 2: Arduino ABX00032 Nano 33 IoT는 AI/ML 응용 제품을 구축하여 기존 장치를 개선하고 새 장치를 IoT의 일부로 생성하는 데 기반으로 사용할 저가형 플랫폼을 제공합니다. (이미지 출처: Arduino)

데이터 캡처 회로

아래 그림 3에는 이 토론을 위해 사용되는 회로가 표시되어 있습니다. CR3111-3000은 기계를 구동하는 측정 전류를 1000:1 비율의 훨씬 작은 전류로 변환합니다.

그림 3: CR3111-3000의 출력을 3.3V 입력의 Arduino Nano 33 IoT에서 사용될 수 있는 형태로 변환하는 데 사용되는 회로 (이미지 출처: Max Maxfield)

CR3111-3000의 보조(출력) 코일을 통해 연결되는 저항기 R3은 부담 저항기 역할을 하여, 통과하는 전류량에 따라 저항기 값에 비례하여 출력 전압을 생성합니다.

저항기 R1 및 R2는 전압 분배기 역할을 하여 값이 1.65V인 "가상 접지"를 형성합니다. 마이크로 컨트롤러는 음전압을 수용할 수 없으므로 CR111-3000의 값을 양수와 음수로 스윙하면서 레일에 닿지 않을 수 있습니다. 커패시터 C1은 측정에 사용되는 3.3V 공급 장치와 주변 표유 자계의 잡음을 줄이는 RC 잡음 필터의 일부를 형성하여 전압 분배기가 향상된 접지 역할을 할 수 있도록 도와줍니다.

데모 테스트 벤치를 제공하기 위해 필터가 내장된 진공 펌프가 사용되었습니다. 이 시제품 제작을 위해 Tripp Lite의 P006-001 1ft 확장 전력 코드가 전원 공급 장치와 진공 펌프 사이에 삽입되었습니다(그림 4).

그림 4: 전류 센서를 수용하기 위해 수정된 1ft 확장 전력 코드 (이미지 출처: Max Maxfield)

작성자의 예비 부품 보물 상자에 있는 부품을 사용하여 프로토타입 회로를 구현했습니다(그림 5). 즉시 사용 가능한 부품은 다음과 같습니다.

• (1) Adafruit 64 브레드 기판
• (1) Twin Industries TW-E012-000 브레드 기판용 사전 성형 전선 키트
• (1) Stackpole Electronics RNMF14FTC150R 150Ω ±1% 0.25W 스루홀 저항기
• (2) Stackpole Electronics RNF14FTD10K0 10kΩ ±1% 0.25W 스루홀 저항기
• (1) KEMET ESK106M063AC3FA 10µF 63V 알루미늄 전해 커패시터

그림 5: 작성자의 예비 부품 보물 상자에 있는 부품과 소형 브레드 기판을 사용하여 프로토타입 회로를 구현했습니다. (이미지 출처: Max Maxfield)

전류 센서의 리드와 관련하여 Pololu Corp.의 1931 22-28 AWG 크림프 핀이 양쪽에 크림핑되어 있습니다. 이 핀은 이후에 Pololu의 0.1인치(2.54mm) 피치 1904 5 x 1 검은색 사각형 하우징에 삽입되었습니다.

AI/ML 응용 제품 구축

AI/ML 응용 제품을 구축하기 위해 Cartesium의 웹 사이트에서 NanoEdge AI Studio의 무료 평가 버전에 액세스했습니다(“모든 산업용 시스템에 인공 지능을 손쉽게 적용하는 방법” 참조).

NanoEdge AI Studio를 출시한 후 새로운 프로젝트를 생성하고 이름을 지정하기 위해 사용자를 초대했습니다. 그런 다음 사용자에게 사용 중인 프로세서(Arduino Nano 33 IoT 개발 기판의 경우 Arm Cortex-M0+), 사용 중인 센서 유형(이 경우 전류 센서) 및 이 AI/ML 모델에 사용할 최대 메모리양(이 데모의 경우 6KB)에 대해 쿼리했습니다.

AI/ML 모델을 구축하려면 먼저 양호 데이터와 불량 데이터의 대표적인 샘플을 캡처해야 합니다(그림 6). 전류 센서의 값을 읽기 위해 간단한 Arduino 스케치(프로그램)를 만들었습니다. 이 데이터를 마이크로 컨트롤러의 USB 포트에서 NanoEdge AI Studio로 "즉시" 로드할 수 있습니다. 또는 데이터를 텍스트 파일로 캡처하여 편집한 후(실행을 시작 및 종료할 때 스퓨리어스 샘플을 제거하기 위해) NanoEdge AI Studio로 로드할 수 있습니다.

그림 6: 양호/정상 데이터(위쪽)와 불량/비정상 데이터(아래쪽) 비교 색상 차이 외에도 사람의 눈에는 크게 차이나 보이지 않지만 적절한 AI/ML 모델은 차이를 구분할 수 있습니다. (이미지 출처: Max Maxfield)

표준 모드에서 작동 중인 진공 펌프에서 양호 데이터가 수집되었습니다. 불량 데이터를 수집하기 위해 펌프의 공기 필터가 종이 디스크로 차단되었습니다.

NanoEdge AI Studio는 양호 데이터와 불량 데이터를 사용하여 5억 개의 가능한 조합 중에서 가장 적합한 AI/ML 라이브러리 솔루션을 생성합니다. 임계값(이 예의 경우 90%)을 기준으로 정상 신호(파란색)가 비정상 신호(빨간색)와 얼마나 잘 구분되는지를 보여주는 분산형 차트를 비롯하여 다양한 방식으로 지속적 진행 상황이 표시됩니다(그림 7).

그림 7: NanoEdge AI Studio는 최대 5억 개의 AI/ML 모델을 평가하여 정상 데이터와 비정상 데이터에 대한 최적 구성을 결정합니다. 초기 모델은 거의 실패하지만(위쪽), 개발자가 중단하도록 결정할 때까지(아래쪽) 도구에서 더 나은 솔루션을 자동으로 반복합니다. (이미지 출처: Max Maxfield)

초기 모델에서는 일반적으로 정상 데이터와 비정상 데이터를 구분하기 어렵지만 시스템에서 점점 더 정확한 솔루션을 반복하여 다양한 조합의 알고리즘 요소를 평가합니다. 이 경우 58,252개 라이브러리를 평가한 후 공정을 중단했습니다. 결과 라이브러리(모델)의 크기는 2KB에 불과했습니다.

이 단계에서는 모델이 교육되지 않은 형태입니다. 많은 요인이 기계 작동 방식에 영향을 줄 수 있습니다. 예를 들어 동일해 보이는 두 진공 펌프를 서로 다른 위치에 실장할 수 있습니다. 예를 들어 콘크리트 슬래브에 하나, 매달려 있는 바닥에 다른 하나를 실장할 수 있습니다. 또는 기계 중 하나를 덥고 습한 환경에 배치하고, 다른 하나를 차고 건조한 환경에 배치할 수 있습니다. 또는 하나를 긴 금속 파이프에 연결하고, 다른 하나를 짧은 플라스틱 파이프에 부착할 수 있습니다.

따라서 다음 단계에서는 실제 환경에 배포되는 기계에 부착된 마이크로 컨트롤러 및 센서에서 작동 중인 응용 분야에 라이브러리를 통합합니다. 다른 기계에 있는 AI/ML 모델이 실제 설치의 양호 데이터를 사용하여 스스로 훈련합니다. 이 셀프 교육 기간이 경과하고 나면 AI/ML 모델을 통해 기계의 상태를 모니터링하여 이상 현상과 추세를 조사하고 해당 결과와 예측 내용을 감독자에게 보고할 수 있습니다.

결론

엔지니어는 AI/ML을 통한 예측 유지 보수를 사용하여 장애가 발생하기 이전에 문제를 해결할 수 있습니다. 하지만 예측 유지 보수 시스템을 구현하는 데 사용되는 하드웨어가 최대한 작고 비용 효율적이어야 하며, 설계자가 분석을 수행하는 데 필요한 소프트웨어에 즉시 액세스할 수 있어야 합니다.

앞서 살펴본 바와 같이 복잡한 다축 가속도계 및 관련 하드웨어를 선택하는 대신 저가형 마이크로 컨트롤러 플랫폼에 연결된 간단하고 작은 저가형 CR3111-3000 스플릿 코어 변류기를 사용하여 필요한 감지 및 데이터 수집을 수행할 수 있습니다. AI/ML 도구 및 알고리즘의 발전과 함께 이제 AI/ML 전문가가 아니더라도 폭넓은 단순 감지 응용 분야와 복잡한 감지 응용 분야에 배포 가능한 정교한 AI/ML 모델을 구축할 수 있습니다.