使用电流传感器高效地采集数据，实现 AI 预测性维护

物联网 (IoT) 引发了人们对使用人工智能 (AI) 和机器学习 (ML) 技术来监视机器（包括电机、发电机和泵）运行状况以及提醒维护工程师任何隐现问题的广泛兴趣。AI/ML 系统设计人员要想实现此类预测性维护，面临的难题之一是为应用选择最合适的传感器。另一个问题是，只有相对较少的设计人员拥有构建 AI/ML 应用的经验。

为了获得可供 AI/ML 系统使用的数据，设计人员往往选择将复杂的传感器（例如三轴加速计）与高性能的微控制器开发平台搭配使用。但在许多情况下，将简单的电流传感器与更普通且成本更低的微控制器开发平台结合使用，也能实现需要的目标。

本文介绍使用电流互感器获取必要的数据，从而以简单且经济实惠的方式实现 AI/ML 应用的思路。本文还利用低成本的 Arduino IoT 微控制器开发平台和 CR Magnetics 的电流互感器，提出了一种简单的采用电流传感器的电路，来监视带有一体式过滤器的真空泵的运行状况，并在过滤器出现堵塞时提醒用户。最后，本文还概要性介绍了创建相关 AI/ML 应用的过程。

适合 AI/ML 的简单传感器

为了采集用于 AI/ML 应用的数据，设计人员往往选择三轴加速计等复杂的传感器；但这种类型的传感器可能会生成大量难以操作和理解的数据。要避免这种复杂性，值得记住的一点是，万事万物都是相互关联的。正如人体某个部位受到伤害可能导致其他身体部位感受到牵涉性疼痛一样，电机中的轴承故障也会改变驱动该电机的电流。类似地，进气口堵塞除了导致过热之外，也会改变驱动电机的电流。

因此，通过监视机器运行的一个方面，可以间接了解机器工作的其他方面。基于此，可以通过使用简单得多的传感器来观察某个相关的参数，来实现所需的监视和感测目标，例如 CR Magnetics 的小巧、低成本 CR3111-3000 可拆式电流互感器（图 1）。

图 1：CR3111-3000 可拆式电流互感器提供了一种低成本、易于使用的电流检测器，该检测器可用作 AI/ML 预测性维护应用中的主要传感器。（图片来源：CR Magnetics）

CR3111-3000 可用于检测高达 100 安培 (A) 的电流（CR31xx 系列的其他成员可用于检测更小或更大的电流值）。该系列的所有成员都支持 20 赫兹 (Hz) 到 1 千赫兹 (kHz) 的频率范围，涵盖了大多数工业应用。此外，所有 CR31xx 器件均采用铰链和锁扣机构，可以在不中断载流电线的情况下进行连接。

Arduino Nano 33 IoT

Arduino 的 ABX00032 Arduino Nano 33 IoT 便是一个适用于简单 AI/ML 应用原型设计的低成本微控制器开发平台示例（图 2）。Arduino Nano 33 IoT 采用一个以 48 兆赫 (MHz) 频率运行的 Arm® Cortex®-M0+ 32 位 ATSAMD21G18A 处理器，具有 256 KB 闪存和 32 KB SRAM，而且配备了 Wi-Fi 和蓝牙连接。

图 2：Arduino ABX00032 Nano 33 IoT 提供了一个低成本的构建 AI/ML 应用的基础平台，可将现有器件（或构建新器件）增强成为 IoT 的一部分。（图片来源：Arduino）

数据采集电路

本次讨论目的所用电路如下图 3 所示。CR3111-3000 使用 1000:1 的比率将所测的机器驱动电流转换为小得多的电流。

图 3：该电路采用 3.3 伏输入，用于将 CR3111-3000 的输出转换为可供的 Arduino Nano 33 IoT 使用的形式。（图片来源：Max Maxfield）

电阻器 R3 跨接在 CR3111-3000 的次级（输出）线圈两端，用作负载电阻器，从而根据流经它的电流量产生与电阻值成比例的输出电压。

电阻器 R1 和 R2 充当分压器，形成具有 1.65 伏电压值的“虚拟接地”。这使得 CR111-3000 的值可以正负摆动而仍不会碰到零电压轨，因为微控制器不能接受负电压。电容器 C1 构成 RC 噪声滤波器的一部分，可减少 3.3 伏电源和附近杂散场产生的混入测量的噪声，从而帮助分压器起到更好的接地作用。

为了提供演示测试台，使用了具有集成式过滤器的真空泵。出于此原型的目的，在电源和真空泵之间插入一根 Tripp Lite 的 P006-001 1 英尺延长电源线（图 4）。

图 4：经修改可接受电流传感器的 1 英尺延长电源线。（图片来源：Max Maxfield）

该原型电路使用作者的零备件库中的元器件实现（图 5）。现成的等效元器件如下：

• (1) Adafruit 的 64 试验板
• (1) 与试验板搭配使用的 Twin Industries 的 TW-E012-000 预成型电线套件
• (1) Stackpole Electronics 的 RNMF14FTC150R 150 欧姆 (Ω) ±1% 0.25 瓦 (W) 通孔电阻器
• (2) Stackpole Electronics 的 RNF14FTD10K0 10 千欧 (kΩ) ±1% 0.25 W 通孔电阻器
• (1) KEMET 的 ESK106M063AC3FA 10 微法拉 (µF) 63 伏铝电解电容器

图 5：该原型电路使用小型试验板和作者的零备件库中的元器件实现。（图片来源：Max Maxfield）

至于电流传感器的引线，则是将 Pololu Corp. 的 1931 22-28 AWG 压接引脚压接在两端来实现。然后将这些引脚插入同样来自 Pololu 的具有 0.1 英寸 (in.)（2.54 毫米 (mm)）间距的 1904 5 x 1 黑色矩形外壳中。

创建 AI/ML 应用

为了创建 AI/ML 应用，请先从 Cartesium 的网站获取免费的 NanoEdge AI Studio 试用版（另请参阅“轻松将人工智能植入任何工业系统”）。

启动 NanoEdge AI Studio 后，程序会邀请用户创建新项目并为其命名。然后将询问用户所用的处理器（使用 Arduino Nano 33 IoT 开发板时为 Arm Cortex-M0+）、所用的传感器类型（在本例中为电流传感器），以及专门用于此 AI/ML 模型的最大内存量（此演示选择了 6 KB）。

为了创建 AI/ML 模型，首先有必要采集良好数据和不良数据的代表性样本（图 6）。接着创建一个简单的 Arduino 草图（程序），从电流传感器读取值。该数据可以从微控制器的 USB 端口直接“实时”加载到 NanoEdge AI Studio 中。或者，也可以将数据采集到文本文件中，进行编辑（以删除运行开始和结束时的杂散样本），然后加载到 NanoEdge AI Studio 中。

图 6：良好/正常数据（顶部）和不良/异常数据（底部）的比较。除了颜色上的差异外，这些图形在人眼看来似乎并没有太大的不同，但适当的 AI/ML 模型可以区分它们。（图片来源：Max Maxfield）

良好数据是从正常模式下运行的真空泵收集而来。为了收集不良数据，用纸盘阻塞泵的空气过滤器。

通过利用良好数据和不良数据，NanoEdge AI Studio 从 5 亿种可能的组合中生成了最佳的 AI/ML 库解决方案。以多种不同的方式显示其进行中的进度，包括一个散点图，其中显示了正常信号（蓝色）与异常信号（红色）在阈值方面的区别程度，本例中阈值设为 90%（图 7）。

图 7：NanoEdge AI Studio 评估多达 5 亿种不同的 AI/ML 模型，以确定正常和异常数据的最佳配置。最初的模型很少成功（顶部），但是该工具会自动通过迭代获得越来越好的解决方案，直到开发人员决定终止（底部）。（图片来源：Max Maxfield）

早期的模型通常很难区分正常数据和异常数据，但是系统会评估算法元素的不同组合，通过迭代获得越来越精确的解决方案。在本例中，该过程在评估 58,252 个库后停止。生成的库（模型）大小仅为 2 KB。

值得注意的是，现阶段的模型仍处于未训练的形式。许多不同的因素都有可能影响机器的运行方式。例如，两个看似相同的真空泵可能安装在不同的位置：一个可能在混凝土板上，另一个在悬浮的地板上。或者其中一台机器可能位于炎热潮湿的环境中，而另一台机器可能处于寒冷干燥的环境中。此外，一个可能连接到较长的金属管，而另一个可能连接到较短的塑料管。

因此，下一步是针对真实世界中部署的机器上所连接的微控制器和传感器，将该库合并到在其上运行的应用程序中。然后，不同机器上的 AI/ML 模型将使用来自这些真实设备中的良好数据进行自我训练。在此自我训练期之后，可以保留 AI/ML 模型来监视机器的运行状况，查找异常和趋势，并将其发现和预测结果报告给人类主管。

结语

利用 AI/ML 进行预测性维护，工程师便可在实际发生故障之前解决问题。但是，在实现预测性维护系统时，所用的硬件必须尽可能地简单且经济实惠；此外，设计人员还需要随时访问所需的软件以执行分析。

如上所示，与其选择复杂的多轴加速计和相关的硬件，不如将简单小巧的低成本 CR3111-3000 可拆式电流互感器连接到低成本的微控制器平台，同样可以执行所需的感测和数据收集。结合 AI/ML 工具和算法的进步，非 AI/ML 专家现在也可以创建复杂的 AI/ML 模型，并将其部署在各种简单和复杂的感测应用中。