|
來源：富昌電子 作者：Martin Schiel，EMEA 垂直細分市場經理（嵌入式計算） 物聯網、增強現實 (AR) 和云計算等技術成熟的結果之一是智能工廠的興起。智能工廠中越來越熟悉的景象是協作機器人。協作機器人已經在智能制造中發揮了重要作用，并且隨著時間的推移將承擔更多的功能，并在工廠中提供更大的價值。 隨著智能工廠越來越依賴協作機器人來實現其基本功能，因此它們可靠運行、且沒有計劃外停機變得更加重要。這促使協作機器人制造商在其產品中啟用預測性維護：在出現最終可能會損害協作機器人運行的故障時，可為用戶提供早期預警。它提供了在計劃維護時間內修復故障的機會，而不會因意外機器故障而造成中斷。 在協作機器人中，預測性維護系統依賴于傳感器，這些傳感器可以檢測四肢和關節運動以及驅動它們的電機中的微小異常： · 加速度計和慣性測量單元 (IMU) 等傳感器可以檢測由軸承磨損等引起的振動 · 超聲波傳感器拾取的獨特聲波特征可以檢測到過度摩擦 機器學習技術是人工智能 (AI) 的一個分支，當協作機器人全新或處于已知未損壞狀態時，該技術的應用使協作機器人能夠檢測振動和聲音模式與參考點的差異。對異常模式的分析可以使系統診斷早期故障，并對工廠管理系統觸發計劃維修和維護的請求。 在機器學習的早期實施中，用于識別傳感器信號模式的復雜神經網絡算法通常會在基于強大微處理器的嵌入式計算系統中遠程運行。 然而，這種集中式系統在處理來自大量協作機器人的輸入時，給處理設備帶來沉重負擔，導致高功耗，并占用連接協作機器人和中央控制系統的網絡中的大量帶寬。 現在，具有嵌入式 AI 功能的新一代傳感器的出現為協作機器人制造商提供了一種實現本地機器學習的新方法。意法半導體是機器學習傳感器開發的先驅，使用其提供的工具和軟件，協作機器人設計工程師可以利用一種新的、更簡單的方法在他們的產品中構建預測性維護功能。 用于振動和超聲波測量的各種 MEMS 傳感器 意法半導體提供業界最大的 MEMS 傳感器產品組合之一，包括加速度計、IMU、壓力傳感器和麥克風。傳感元件采用專門的微加工工藝制造，而 IC 接口則采用專業的 CMOS 技術開發。這使得與傳感元件特性相匹配的專用電路的設計成為可能。 該技術支撐了 IIS3DWB 的高性能，例如，三軸超寬帶寬 MEMS 加速度計，是檢測故障機器產生的振動的理想器件。意法半導體還提供基于其 MEMS 傳感器 IC 的運動傳感器模塊：例如，ISM330DHCX 是一款系統級封裝產品，包括專為工業 4.0 應用量身定制的高性能 3D 數字加速度計和 3D 數字陀螺儀。 基于決策樹邏輯的機器學習 ISM330DHCX 是意法半導體提供的、包含機器學習核心 (MLC) 形式的嵌入式 AI 功能的MEMS 傳感器產品之一。這種機器學習能力使系統操作員能夠將一些預測性維護算法從中央應用處理器轉移到傳感器，專用 MLC 消耗的功率要少得多。 那么傳感器的小型低功耗處理邏輯塊如何提供通常需要大型高耗電應用處理器的機器學習能力？ 答案在于意法半導體在其智能傳感器中嵌入的決策樹邏輯：與傳統的神經網絡算法相比，意法半導體支持的決策樹算法更簡單，因此消耗的指令周期和功率也低得多。 決策樹是由一系列可配置節點組成的數學工具。每個節點代表一個“if-then-else”條件，將輸入信號（即根據原始傳感器數據計算的定量值）與閾值進行比較。 ISM330DHCX 可配置成同時獨立運行多達八個決策樹。決策樹存儲在器件中，并在專用輸出寄存器中生成結果。決策樹的結果可以隨時由主機微控制器或應用處理器讀取。傳感器還可以為決策樹產生的結果的每次變化生成中斷。 決策樹邏輯如何運作 決策樹的預測模型是根據一組訓練數據構建的，并存儲在 ISM330DHCX 中。訓練數據在協作機器人運行期間以其所需狀態（即處于良好狀態、無故障）被記錄下來。 決策樹是 MLC 分析原始傳感器數據中共同特征的方法。這些共同特征將構成“模型”的基礎，傳感器將使用該模型與協作機器人的操作進行比較。如果傳感器輸出與模型高度匹配，則協作機器人無故障。如果傳感器無法將其實時測量值與模型相匹配，則表明存在潛在故障，從而向機器操作員發出報警。 決策樹的每個節點都包含一個條件，在該條件下將特征與特定閾值進行比較。如果條件為真，則評估真路徑中的下一個節點。如果條件為假，則評估假路徑中的下一個節點，如圖 1 所示。決策樹的狀態將會逐個節點進行演化，直到找到結果。決策樹的結果定義了一個行為“類別”：在健身腕帶中，這樣的類別可能是“步行”或“慢跑”。在協作機器人的預測性維護應用中，協作機器人的不同工作負載對應不同的類別。 
圖 1：決策樹由多個節點組成 決策樹為每個時間窗口生成一個新的結果，其長度由用戶設置，以捕獲相關活動類別的特征。結果也可以通過被稱為“元分類器”的額外可選的過濾器進行修改，該過濾器將內部計數器應用于決策樹的輸出。 MLC 識別的活動類別（以過濾或非過濾決策樹結果的形式）可通過 ISM330DHCX 模塊的寄存器進行訪問。 MLC 入門 對于在傳統集中式架構中實現過機器學習的設計工程師，或者之前從未實現過機器學習的設計工程師來說，用于構建機器學習模型的決策樹方法可能顯得陌生或困難。但實際上MLC的操作簡單易學，因為意法半導體提供了一套優秀的評估開發工具和資源。 用于在 ISM330DHCX 等產品上評估 MLC 的意法半導體平臺的基礎是 STWIN 無線工業節點，型號為 STEVAL-STWINKT1B，如圖 2 所示。針對機器學習和預測性維護應用，STWIN 由 Github 上提供的三個決策樹模型示例提供支持： · 振動監測 · 運動強度 · 6D位置識別 三者的使用方法相同。為了幫助設計工程師開始使用 ISM330DHCX 的 MLC，讓我們詳細了解決策樹在 6D 位置識別中的應用。它可用于協作機器人或其他機器人應用，以獨立檢測機器人手臂的位置，并將其與位置傳感器的結果進行比較，這是穩健的安全機制通常需要的過程。
圖 2：意法半導體的 STWIN 評估板 STWIN 平臺上 6D 位置識別的實現分一系列步驟進行。 第 1 步：簡介 6D 位置識別的一個簡單示例是在加速度計數據輸出的每個軸上使用傳感器的有符號或無符號均值特征來實現的。 意法半導體提供的軟件可以識別以下位置： 無 X 軸向上 X 軸向下 Y 軸朝上 Y 軸向下 Z 軸朝上 Z 軸向下 第 2 步：傳感器配置和方向 加速度計配置成在 ±2 g 滿量程和 26 Hz 的輸出數據速率下運行。該算法允許任何傳感器方向。 第 3 步：MLC 配置 這兩個特征（均值有符號和均值無符號）應用于加速度計輸出的所有軸。MLC 以 26 Hz 的頻率運行，在 16 個樣本的窗口上計算特征，持續時間為 0.6 秒。配置成檢測不同行為類別的決策樹由大約八個節點組成。此意法半導體應用示例中未使用元分類器。 要在 STWIN 板上運行示例，工程師需要使用 ST HSDatalog 軟件。HSDatalog 是用于數據記錄的高速命令行應用程序。它還使用戶能夠配置 ISM330DHCX 的 MLC，并讀取所選算法的輸出。 通過 STWIN 板和 HSDatalog 運行 MLC 示例軟件： 下載最新版本的HSDatalog，在STM32Cube 開發軟件的高速數據記錄功能包FP-SNS-DATALOG1 中提供。 使用功能包中的HSDatalog固件對STWIN板進行編程，如圖3所示。 下載并安裝ST BLE Sensor 智能手機應用程序。
圖 3：如何對 STWIN 板進行編程 接下來，訪問意法半導體的 Github 頁面以獲取 MLC 示例并下載相應的 .ucf 文件。將此配置文件加載到 STWIN 板上的 ISM330DHCX 器件，如圖 4 加載配置步驟所示。
圖 4：在意法半導體的 BLE 傳感器應用程序中運行 HSDatalog MLC 軟件 現在系統已準備好根據圖 4 中所示的指令運行。決策樹的輸出可以看作是“MLC0_SRC (70h)”的寄存器值。它們也顯示在 BLE 傳感器應用程序中，如圖 4 所示。 在意法半導體應用示例中，以下值表示各種 6D 位置： 0 = 無 1 = X 軸向上 2 = X 軸向下 3 = Y 軸向上 4 = Y 軸向下 >5 = Z 軸向上 6 = Z 軸向下 每次使用新值更新寄存器 MLC0_SRC (70h) 時，配置的軟件都會在 ISM330DHCX INT1 引腳上生成脈沖式高電平有效中斷。 意法半導體 MLC 的進一步應用 意法半導體提供的 6D 位置應用示例提供了一種直觀的方式來了解 ISM330DHCX 中 MLC 的操作。協作機器人設計人員很快就會希望進一步探索其功能和能力。他們在這方面得到了意法半導體在線提供的大量信息和資源的支持。其中包括關于 ISM330DHCX MLC 的應用筆記 AN5392，以及用于決策樹生成的設計技巧 DT0139。有關高速數據記錄功能包的信息，請參閱用戶手冊 UM2688。 客戶也可以通過富昌電子的全球辦事處的應用工程師獲得技術支持。 開發板 支持的元器件：ISM330DHCX, IIS3DWB, STM32L4R9ZIJ6, STSAFE-A110, IMP23ABSU 板型號：STEVAL-STWINKT1B 說明： STWIN SensorTile 無線開發套件是一種可簡化工業物聯網應用（如狀態監測和預測性維護）的原型設計和測試的參考設計。 該套件由核心系統板、480 mAh 鋰聚合物電池、STLINK-V3MINI 調試器和塑料盒組成。核心系統板具有一系列嵌入式工業級傳感器和超低功耗微控制器。在軟件包、固件庫和云儀表板應用程序的支持下，STWIN SensorTile 可對各種振動頻率（包括甚高頻音頻和超聲波頻譜）的運動傳感數據進行分析，并實施局部溫度和環境監測。 |
