摘要

該方案實現了基于嵌入式AI推斷電機運行異常的方法。基于瑞薩電機控制MCU RA6T1，結合瑞薩的e-AI工具，將Google的TensorFlow Lite模型部署在MCU端，結合瑞薩專有的BLDC電機控制程序套件實現AI對電機運行狀態的判斷，可作為工廠自動化中預測性運維的實踐基礎。

引言

電機作為電能轉換裝置廣泛應用于工業、農業，以及我們生活的方方面面。作為一種重要的電氣設備，電機運行狀態的檢測和維護一直是電機使用中的重要話題。若電機運行時出現問題不能及時發現，輕則會造成電機的損壞，重則影響產線進度甚至造成生產事故。傳統的電機檢測和維護使用人工測量和記錄，處理滯后，準確性和效率都不高，而且耗費人力。本文使用專為MCU設計的AI模型Google TensorFlow Lite，在基于RA6T1的BLDC電機系統中實現基于AI的故障檢測方案，實現了全自動化操作，提升了運維效率，并解決了傳統電機檢測維護中處理滯后的問題。

系統架構

電機故障檢測示例系統框圖如圖1所示。這是一個基于e-AI的電機系統，包含自學習神經元網絡和無刷直流電機控制軟件，AI推斷結果顯示在PC軟件上。

e-AI（嵌入式AI）指的是在服務器上使用大算力做模型訓練，在嵌入式系統中執行推斷的非對稱算力架構。瑞薩提供e-AI開發環境，幫助嵌入式開發者加速AI應用在瑞薩MCU上的部署。通過這個開發環境，用戶可以把在服務器或者PC上訓練好的AI模型轉換成運行在MCU上的代碼。

本示例是基于瑞薩電子RA系列芯片RA6T1的電機控制評估系統，在電機系統遇到硬件問題時可以智能地檢測異常。本系統采用無傳感器的矢量控制方式運行電機，電機的三相電流作為自學習神經元網絡的輸入，基于Google專為MCU開發的TensorFlowLite（TFLu），使用人工智能推斷電機異常的概率。（TensorFlow是一個基于數據流編程的符號數學系統，被廣泛應用于各類機器學習算法 的編程實現，其前身是谷歌的神經網絡算法庫DistBelief。）

圖1 電機故障檢測示例系統

故障檢測原理

系統中的直流無刷電機控制采用無傳感器矢量控制方式，采用三分流電阻，通過A/D轉換監控三相電流。在本系統中，使用隨著電機狀態不同而變化的三相電流波形作為自學習神經元網絡的輸入。對輸入數據進行預處理后通過FFT生成頻譜，可以讓AI更容易檢測到三相電流波形的特征點。方案中預處理執行包括以下操作：

①采集三相電流的A/D轉換值并生成FFT幀。

②在輸入到自學習神經元網絡前，對數據進行預處理，包括數據幀的FFT變換（頻譜生成）和從頻譜中提取特征點（自學習神經元網絡輸入數據生成）。

每512個點構成一幀，為了避免丟失數據，每一幀被設置為64個點與前一幀重疊，如圖2所示。這是一種通常稱為“重疊分析”的常用方法。

圖2 電機驅動電流的A/D轉換值

因為在時間軸上無法檢測到特征值，所以將電機電流A/D轉換值經過FFT處理轉換到頻率軸上，如圖3（a）所示。在目標系統中，如圖3（b）所示，在淺色線標出的基頻峰值附近檢測到特征點。提取檢測到特征值的峰值前后共16個點作為輸入數據，如圖3（c）所示。只有U相電流值作為AI模型的數據。

圖3 數據預處理流程

人工智能推斷

在這個示例中，基于TFLu的AI通過以下3層模型來推斷電機運行正常還是異常：

①輸入層：FFT處理U相分流電流數據。

②隱藏層：隱藏層使用全連接層。

③輸出層：輸出正常和異常的概率。

圖4顯示了AI模型配置情況。

圖4 AI模型配置

故障檢測實現

故障檢測工程中包括電機應用程序和使用TFLu的AI應用程序，數據收集工具和訓練工具用于AI模型開發。AI模型開發流程圖如圖5所示。

圖5 AI模型開發流程圖

首先，使用數據收集工具收集數據，包括用于自學習的數據和用于測試的數據，測試數據用于測試AI模型。圖6顯示了系統在正常和異常狀態下的區別。正常狀態定義為驅動電機軸和負載電機軸形成一條直線，異常狀態定義為兩個軸的軸線偏離。

圖6 正常狀態和異常狀態

然后，利用訓練工具來訓練和測試AI模型，如圖7所示，訓練結束后輸出.tflite文件并轉化為C語言數組，寫入程序中參與編譯。最后，再次使用數據收集工具進行系統的評估，MCU上運行的AI模型根據實測數據推斷出異常狀態的可能性并顯示，如圖8所示。

圖7 訓練和測試AI模型
圖8 數據收集工具

整個系統的操作流程如圖9所示。

①使用無傳感器矢量控制運轉電機。

②對電機驅動電路的數據進行預處理，通過AI推斷電機運行異常的概率。

③與PC機進行串行通信，在上位機顯示電流波形數據和推斷結果。

圖9 系統操作流程

演示流程圖如圖10所示，MCU定時器CMT1生成2kHz的采樣頻率并獲取三相電流的A/D轉換值，三相電流中的U和W相電流輸入到12位A/D轉換器，為FFT累積一幀（512個樣本）的A/D轉換值。從下一幀開始，通過重疊前一幀的64個樣本來累積A/D轉換值。MCU使用CMSISDSP執行FFT操作，FFT操作產生的頻譜被轉換成dBFS，該實現中定義0dB=4095LSB滿量程。接下來，選擇頻譜的峰值（不包括直流分量）和前后8個樣本（A/D轉換值）來提取頻譜特征值。提取的特征值輸入到自學習神經元網絡，通過推理輸出兩類（正常和異常）的概率。在此實現中，采用異常概率作為異常程度的表征，通過USB傳輸到PC，在DataCollectionTool（GUI工具）中以數值和圖表形式表示。

圖10 演示流程圖

結語

本文設計的基于RA6T1的BLDC電機系統結合瑞薩的e-AI工具套件，使用專為MCU設計的AI模型，實現了智能故障檢測，經過訓練和導入成功部署到MCU端，并取得了理想的電機運行異常的推斷效果，克服了傳統電機運行檢測的難點和不足，為電機系統自動化預測性運維提供了可行方案。

來源：瑞薩MCU小百科

審核編輯：湯梓紅