利用電流感測器高效獲取資料，以執行 AI 預測性維護

物聯網 (IoT) 已引起人們對使用人工智慧 (AI) 和機器學習 (ML) 技術的濃厚興趣，這些技術能監測馬達、發電機及幫浦等機器的運行狀況，還能在任何問題浮現時向維護工程師發出警示。對於希望實作這類預測性維護的 AI/ML 系統設計人員來說，如何挑選最適合應用的感測器其實並不容易。另一個難題是，有建構 AI/ML 應用經驗的設計人員相當少。

為了獲取 AI/ML 系統運作所需的資料，設計人員通常會選擇三軸加速計等複雜的感測器，並搭配高效能的微控制器開發平台。但在許多情況下，使用簡易的電流感測器，搭配適中且更經濟實惠的微控制器開發平台，即能達到期望的目標。

本文將介紹如何使用電流感測變壓器取得所需的資料，以簡單且符合成本效益的方式實作 AI/ML 應用。文中也以低成本的 Arduino IoT 微控制器開發平台和 CR Magnetics 的電流感測變壓器為例，介紹一種簡易電路，其利用電流感測器監測真空幫浦 (內建過濾器) 的運行狀況，並在過濾器堵塞時警示使用者。最後，本文會概略介紹相關 AI/ML 應用的建構流程。

AI/ML 的簡易感測器

為了獲取 AI/ML 應用運作所需的資料，設計人員通常會選擇使用三軸加速計等複雜的感測器；但這種感測器可能會產生非常多難以操控和理解的資料。為了避免複雜化，請記住凡事皆環環相扣。就像人體某處受傷，疼痛感可能會轉移到其他部位一樣，若是馬達中的軸承故障，用來驅動馬達的電流則會改變。同樣地，除了導致過熱之外，進氣孔受阻也可能會導致馬達的驅動電流發生改變。

因此，監測機器某個層面的運作情形，可能會對其他運作層面有更深的瞭解。如此一來，使用大幅簡化的感測器來觀察相關參數，例如 CR Magnetics 的小型低成本 CR3111-3000 開口式電流感測變壓器，即可達成監測與感測的目標 (圖 1)。

圖 1：CR3111-3000 開口式電流感測變壓器提供低成本且容易使用的電流偵測器，可在 AI/ML 預測性維護應用中當作主要感測器。(圖片來源：CR Magnetics)

CR3111-3000 可用來偵測高達 100 A 的電流 (若需要更高或更低的電流值，可以採用 CR31xx 系列的其他產品)。此系列的所有產品都支援 20 Hz 至 1 kHz 的頻率範圍，可涵蓋大部分的工業應用。而且，所有 CR31xx 元件都採用絞鏈和鎖定扣，因此能在不對載流電線造成干擾的情況下進行連接。

Arduino Nano 33 IoT

在適合用來開發簡易 AI/ML 應用原型的低成本微控制器開發平台中，Arduino 的 ABX00032 Arduino Nano 33 IoT 是個很好的範例 (圖 2)。Arduino Nano 33 IoT 搭載運作頻率為 48 MHz 的 Arm® Cortex®-M0+ 32 位元 ATSAMD21G18A 處理器，以及 256 KB 的快閃記憶體和 32 KB 的 SRAM，並且具備 Wi-Fi 和藍牙連線能力。

圖 2：Arduino ABX00032 Nano 33 IoT 提供打造 AI/ML 應用的低成本平台，以強化現有的裝置並建構新的裝置，一併納入 IoT 中。(圖片來源：Arduino)

資料擷取電路

為了方便探討，使用圖 3 所示的電路進行說明。CR3111-3000 以 1000:1 的比例，將測得的機器驅動電流轉換為更小的電流。

圖 3：此電路會將 CR3111-3000 的輸出轉換成 Arduino Nano 33 IoT 及其 3.3 V 輸入能使用的電壓形式。(圖片來源：Max Maxfield)

電阻 R3 跨接於 CR3111-3000 的次要 (輸出) 線圈上，作為負載電阻使用，會根據流經的電流量產生與電阻值成比例的輸出電壓。

電阻 R1 和 R2 作為分壓器使用，形成 1.65 V 的「虛擬接地」。因此 CR111-3000 的值可在正負之間徘徊，而不會擊中電軌，這是因為微控制器無法接受負電壓。電容 C1 是 RC 雜訊濾波器的一部分，可減少 3.3 V 電源與鄰近離散磁場所產生的雜訊，以免干擾測量，因此有助於分壓器進一步發揮接地作用。

在此使用內建過濾器的真空幫浦當作示範用的測試工作台。為了進行原型開發，在電源供應器和真空幫浦之間插入 Tripp Lite 的 P006-001 1 英尺延長線 (圖 4)。

圖 4：此 1 英尺延長線經過修改以搭配電流感測器。(圖片來源：Max Maxfield)

實作此原型電路所使用的元件，皆取自作者豐富的備用零件庫 (圖 5)。現成的市售同等產品如下：

• (1) Adafruit 的 64 試驗電路板
• (1) Twin Industries 的 TW-E012-000 預先成型電線套件，搭配試驗電路板使用
• (1) Stackpole Electronics 的 RNMF14FTC150R 150 Ω ±1% 0.25 W 通孔式電阻
• (2) Stackpole Electronics 的 RNF14FTD10K0 10 kΩ ±1% 0.25 W 通孔式電阻
• (1) KEMET 的 ESK106M063AC3FA 10 µF 63 V 鋁電解電容

圖 5：實作此原型電路所使用的小型試驗電路板，取自作者豐富的備用零件庫。(圖片來源：Max Maxfield)

電流感測器的引線兩端使用 Pololu Corp. 的 1931 22-28 AWG 壓接引腳進行壓接。接著，將這些引腳插入到 Pololu 的 1904 5 x 1 黑色矩形外罩中，其間距為 0.1 in(2.54 mm)。

建構 AI/ML 應用

為了建構 AI/ML 應用，我們在 Cartesium 網站取用 NanoEdge AI Studio 試用版 (亦請參閱《輕鬆將人工智慧引入任何工業系統》)。

啟動 NanoEdge AI Studio 後，程式會邀請使用者建立新專案並命名。接著會詢問使用者所採用的處理器 (使用 Arduino Nano 33 IoT 開發板時為 Arm Cortex-M0+)、使用的感測器類型 (在本例中為電流感測器)，以及專門用於此 AI/ML 模型的最大記憶體量 (此示範中選擇 6 KB)。

為了建立 AI/ML 模型，首先必須擷取良好資料及不良資料的代表性樣本 (圖 6)。接著製作簡單的 Arduino 草稿 (程式)，以讀取電流感測器的數值。此資料可從微控制器的 USB 埠直接「快速」載入到 NanoEdge AI Studio 中。或者也可將資料擷取到文字檔中進行編輯，以去除執行開始及結束時的雜散樣本，然後再載入到 NanoEdge AI Studio 中。

圖 6：良好／正常資料 (頂端) 和不良／異常資料 (底部) 的比較。除了顏色不同之外，這些資料乍看下差異不大，但採用適當的 AI/ML 模型就能加以區分。(圖片來源：Max Maxfield)

良好的資料是由真空幫浦在正常模式運作下收集而來。若要收集不良資料，則要使用圓盤濾紙堵住幫浦的空氣過濾器。

NanoEdge AI Studio 可利用良好及不良的資料，從 5 億種可能的組合中，產生最佳的 AI/ML 資料庫解決方案。執行進度會以多種不同方式顯示，包含散佈圖，顯示正常訊號 (藍色) 和異常訊號 (紅色) 在臨界值設定下 (本例設為 90%) 的區別程度 (圖 7)。

圖 7：NanoEdge AI Studio 可評估高達 5 億個不同的 AI/ML 模型，以判定正常和異常資料的最佳配置。初始模型雖然鮮少成功 (頂端)，但此工具會自動迭代以產生越來越好的解決方案，直到開發人員決定停止為止 (底部)。(圖片來源：Max Maxfield)

早期的模型通常不容易判別正常資料和異常資料，但系統會對不同的演算元素組合進行評估，再以迭代產生越來越準確的解決方案。在本例中，整個流程在評估 58,252 個函式庫後停止。產生的函式庫 (模型) 只有 2 KB 大。

必須注意的是，此階段的模型尚未經過訓練。有很多不同的因素都會影響機器的運作方式。例如，兩個看似相同的真空幫浦可能會安裝在不同的位置：一個在混凝土板上，另一個在懸吊的地板上。或者，其中一部機器可能會放在潮濕高溫的環境中，另一部則放在乾燥低溫的環境中。而且，一部可能會連接到較長的金屬管，另一部則可能會連接到較短的塑膠管。

因此，下一個步驟是將函式庫整合到微控制器和感測器所執行的應用程式內，而此微控制器與感測器則連接到現實世界中所部署的機器上。接下來，不同機器上的 AI/ML 模型會使用這些真實世界機器的良好資料進行自我訓練。在自我訓練期之後，便能讓 AI/ML 模型監測機器的運行狀況、尋找異常情形和趨勢，並將發現和預測結果回報給監督人員。

結論

透過 AI/ML 技術輔助的預測性維護，工程師即可在故障實際發生之前就解決問題。只是，用來實作預測性維護系統的硬體要盡可能簡單並符合成本效益；而且，設計人員必須能隨時取得必要軟體，以執行分析。

如本文所示，無需選擇複雜的多軸加速計和相關的硬體，只要將簡易、小型的低成本 CR3111-3000 開口式電流變壓器連接至低成本的微控制器平台，即可進行必要感測及資料收集作業。由於 AI/ML 工具與演算法不斷進步，即使不是 AI/ML 專家，現在也能打造出複雜的 AI/ML 模型，並可部署在多種簡易和複雜的感測應用中。