瑞萨电子的e-AI是一个基于深度学习的人工智能单元解决方案,其单元有多个输入和输出,可协助处理和预处理数据,通过人工智能做出判断,例如使用多个传感器进行感应、利用触发信号截取波形等。AI解决方案为开发具有不同功能的附加单元提供参考设计,以便开发可与现有制造机器配合使用的智能系统。
在实际应用中,将AI单元连接到设备,可以预判系统的异常情况,并根据这些情况做出相应处理,可以使系统运行更加智能。下面将通过两个演示应用简单阐述预判系统异常情况的实现过程。
计算机中已经安装了机器手臂的正常运动波形的学习模型,AI单元对采集到的实时波形和正常波形数据进行比较判断,从而检测出机器运动中的任何异常。
AI单元具有多个输入和输出,它可以用于预先判断的数据处理(预处理),例如使用多个传感器进行感应,并通过其采集的触发信号进行波形生成。
在本演示中,机械手臂的运动波形并不是整个运动过程都会显示,只有当机械手臂放置物体的过程中,才会记录并显示其振动波形,这是通过一个钳位传感器来检测触发实现的。
如上图所示,该演示应用中通过一个电机分别联动3个不同的齿轮转动,其中有一个是正常齿轮,另外两个是有缺陷的齿轮,通过AI单元来判断并识别出其中的2个缺陷齿轮,同样在PC上位机软件上面进行显示信息,并且可以在软件中根据自定义设置,来优化整个异常判断系统。
演示应用首先会通过振动传感器来采集齿轮运动的振动信号,将信号传输给AI单元,并深度学习框架来自我学习正常齿轮转动的运动模型,模型一旦生成好之后,就可以用来检测其他有缺陷的齿轮运动,从而识别出缺陷齿轮。
在这里,我们将正常的齿轮联动电机转动,有缺陷的2个齿轮先放置在电机驱动齿轮箱内以便之后使用,正常齿轮转动后将振动传感器连接到AI单元并记录正常齿轮的振动波形。
通过学习框架,AI单元学习并记录振动的波形。在上位机软件中,可以设置需要学习的波形时间段,来执行传感器输入的滤波处理和FFT处理等,并且能使用PC上的工具修改这些过程的各种设置。
齿轮的运动模型的自我学习是在PC上位机软件上完成,因为由于需要大量的计算而无法在微控制器上完成。如果用户能够创建经验丰富的人工智能模型,它可以转换为AI参数,通过使用e-AI转换器将应用代码下载到AI单元中,并在微控制器中执行。
将参数写入到AI单元完成后,通过使用工具并判断振动传感器的波形,将波形数据与正常齿轮运行模型数据进行比对,如果齿轮没有损坏,则判断它们为“正常”,如果切换到有缺陷的齿轮,则判断它们为“异常”。
关于我们
瑞萨电子株式会社 (TSE: 6723) ,提供专业可信的创新嵌入式设计和完整的半导体解决方案,旨在通过使用其产品的数十亿联网智能设备改善人们的工作和生活方式。作为全球领先的微控制器供应商、模拟功率器件和SoC产品的领导者,瑞萨电子为汽车、工业、家居、办公自动化、信息通信技术等各种应用提供综合解决方案,期待与您携手共创无限未来。更多信息,敬请访问 renesas.com。
长按二维码关注瑞萨电子(Renesas)
点击下方“阅读原文”,了解更多精彩内容!
原文标题:芯文芯事丨瑞萨e-AI异常预断,助力实现智能制造系统
文章出处:【微信公众号:瑞萨电子】欢迎添加关注!文章转载请注明出处。
全部0条评论
快来发表一下你的评论吧 !