超音波解析に基づくファン異常状態分類

機械はさまざまな信号を発することで周囲環境へ影響を与えます。 そうした信号は装置の動作を反映する適切な情報源です。 これらの信号を理解できれば大幅な最適化が可能になります。 例えば、機械は異常または故障が生じる前に、わずかに異常な振動パターン、ノイズ、超音波が発生します。 機械にセンサを取り付けることで、その活動を監視できます。 人工知能（AI）のおかげで、異常を識別するスマート･ソリューションを構築できます。 その結果、装置が異常の重大度を自動的に分類し、関連するアラートを保全チームに送信できるようになります。 このユース･ケースではデモのためにファン･モータに実装しましたが、このアプローチは多くの産業用機械に容易に適用できます。

この使用例では、アプリケーション開発を簡素化するためにFP-AI-MONITOR1ファンクションパックを使用した。 FP-AI-MONITOR1ファンクションパックは、人工ニューラルネットワークとプリ・ポスト処理機能を完全に統合したもので、マイクロコントローラ周辺機器に接続されている。

超音波に基づく分類モデルは約1秒のデータを収集し、メル周波数ケプストラム係数（MFCC）を使用して前処理し、学習済みニューラル･ネットワークに送ります。このネットワークは、4つのクラス［‘オフ’、‘正常’、‘目詰まり’、‘摩擦’］について学習済みです。超音波に基づく分類では、オンボード･アナログMEMSマイクを使用して192kHz（16bit、1チャネル）のレートで音声を収集します。1ミリ秒間隔でDMA割込みと共に最新の192音声サンプルを受信します。その後、これらのサンプルを重複なしの4,096サンプルからなるスライディング･ウィンドウで累積します。特徴抽出のために、バッファを21,33ms間隔でUSC前処理に入力します。USC前処理で超音波特徴であるMFCC（46 x 32）スペクトログラムを抽出します。

計算効率とメモリ管理の最適化のため、このステップは2つのルーチンに分かれている：
- 最初のパートでは、FFTとフィルターバンクを使用して、時間領域の入力信号から46個のMFCC列の1つをメル・スケールに変換する（32個のメル・バンド）。
- 2つ目のパートでは、32列すべてが計算された後（つまり981ミリ秒後）、対数スケーリングがメル・スケーリングされたスペクトログラムに適用され、USC畳み込みニューラルネットワークの入力特徴量が作成される。

（46 x 32）MFCCスペクトログラムを981ms間隔でUSC畳込みニューラル･ネットワーク入力に送ります。 このモデルは異常を［‘オフ’、‘正常’、‘目詰まり’、‘摩擦’］の4つのクラスに分類します。 このモデルは、最大速度で動作するUSBファンに対して有効なように開発されており、その他の速度でテストしたところ正常に機能しません。

最大周波数応答80kHzのアナログMEMSマイク（参照： IMP23ABSU）