すべての機器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。 機械学習を使用すると、正常動作状態を機械から直接学習できます。 振動の発生を分析することで異常の発生を検出できます。 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。
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。 機械学習を使用すると、正常動作状態を機械から直接学習できます。 振動の発生を分析することで異常の発生を検出できます。 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。
アプローチ
ファンに加速度センサ搭載ボードを取り付け、粘着剤で固定
300の正常信号：3つの速度（低、中、高）、1速度当たり100の信号
300の異常信号：速度ごとに、空気の流れを遮ったり、ファンを動かしたり、軽く叩く
NanoEdge AI Studioで「異常検知」プロジェクトを作成し、 NUCLEO-L432KCでライブテストしました。
300の正常信号：3つの速度（低、中、高）、1速度当たり100の信号
300の異常信号：速度ごとに、空気の流れを遮ったり、ファンを動かしたり、軽く叩く
NanoEdge AI Studioで「異常検知」プロジェクトを作成し、 NUCLEO-L432KCでライブテストしました。
センサ
加速度センサ（3軸）： LIS3DH
データ
通常信号と異常信号
- 通常信号：各速度につき100信号（低速、中速、高速）
- 異常信号：各速度ごとに、空気の流れを遮断する、ファンを動かす、叩くなど
信号長1536（各軸512、3軸）
データレート1.6 kHz、レンジ：2 g
- 通常信号：各速度につき100信号（低速、中速、高速）
- 異常信号：各速度ごとに、空気の流れを遮断する、ファンを動かす、叩くなど
信号長1536（各軸512、3軸）
データレート1.6 kHz、レンジ：2 g
結果
異常検知クラス：
100 %の精度、7.8 KB RAM、6.1 KB フラッシュ
青い点は正常信号、赤い点は異常信号です。
横座標は信号番号、縦座標は正常状態に対する類似度です。
リソース
モデル作成ツール NanoEdge AI Studio
要件に合った最適なAIモデルを簡単に見つけられるようユーザをステップ･バイ･ステップでガイドし、組込みプロジェクトにAIを追加できる無償のAuto MLソフトウェアです。
対応製品 STM32
Arm® Cortex®-Mベース32bitマイコンのSTM32ファミリは、マイコン･ユーザに高いレベルの自由を提供します。完全統合性および開発の容易さを維持しながら、高性能、リアルタイム性能、豊富な機能、デジタル信号処理、低消費電力 / 低電圧駆動、およびコネクティビティを兼ね備えた製品を提供します。
