使用具有边缘 AI 的嵌入式解决方案加强基于状态的无线监测

基于状态的监测（CbM）有助于通过预测性维护来预防设备故障，但设计一个有效的系统通常需要对精密感测、低噪声信号链、电源管理和无线连接进行优化整合。这些都是复杂功能，可能会延迟 CbM 的部署并增加成本。设计人员也认识到了边缘人工智能 (AI) 分析的优势，但这也使得 CbM 更加复杂。我们需要找到一个更直接、更有效的解决方案。

本文首先简要介绍接近传感器，然后，介绍 Analog Devices 的即插即用解决方案。使用该解决方案可立即部署具有边缘 AI 功能的无线 CbM。

基于状态监测的重要性

计划外停机仍是保持设备高运行效率的一大挑战。关键设备一旦出现一次意外故障，就可能导致整条生产线瘫痪，供应链中断，并导致昂贵的维修服务。传统的维护方法包括故障后的被动维修或严格的定期维护，但这些方法都有其缺陷：被动维护会导致代价很高的停机，而定期维护则会因不必要地更换仍在运行的部件而增加资源成本。

采用 CbM 能够实施更具成本效益的预测性维护方法。通过监测振动、温度、电流或其他性能指标，设备操作员可以在故障发生前识别出组件性能退化的预警信号。这种基于数据的方法可减少计划外停机，延长设备寿命，并降低总拥有成本。

尽管 CbM 优势众多，但由于其要求复杂，而且需要跨学科的专业知识，因此可能造成其部署停滞不前。对于工业和汽车领域，如何攻克这些难题是成功应用基于 CbM 的预测性维护的一大挑战。

基于状态的监测带来的挑战及其要求

为充分发挥 CbM 的潜在优势，CbM 解决方案必须在苛刻的工业和汽车环境中可靠运行，同时根据准确的测量数据及时进行分析。然而，即使在待监测设备正常运行期间，这些特定工况环境也会使测量设备承受巨大的环境和机械压力。工业电机、传动系统和重型旋转设备会使监测器件持续暴露于振动、冲击、极端温度和高水平电磁干扰 (EMI) 之下。

为了实现可靠的预测性维护，CbM 器件中的振动传感器必须能够探测到更细微的变化，而这些变化往往是轴不平衡、不对中或轴承磨损的最早线索。要在恶劣的环境条件下确保高精度振动测量，就需要一个高带宽、低噪声的传感器信号采集子系统，且该子系统能在恶劣的工作环境中保持稳定的性能。

作为 CbM 方法的核心，振动分析为识别模式奠定了基础，这些模式可以区分正常运行与早期故障迹象。过去，振动传感器系统将测量结果传送到中央主机或云端资源进行分析。然而，先进的 CbM 方案已开始越来越多地将分析功能转移到边缘。通过在传感器系统内部或附近分析数据，可在最短时间内得到结果，并减少时间敏感型工业和汽车网络的流量。

特别的是，基于卷积神经网络 (CNN) 模型的边缘 AI 推理可对振动变化进行实时解读。然而，使用 CNN 进行推理需要大量计算，这使得在不超出系统功率、尺寸或成本限制的情况下实现 CbM 的目标变得更加复杂。

随着 CbM 在旋转设备，或远程或移动设备中的应用越来越多，而有线连接又不可行，使得最大限度地降低功耗就变得更加迫切。为满足这些情况下的无线连接要求，低功耗蓝牙 (BLE) 与其他可选的连接技术相比，可实现所需的发射距离、功率和可靠性组合（表 1）。

表 1：在各种无线连接标准中，BLE 集中了无线振动监测所需的各种特性。(表格来源：Analog Devices）

然而，与边缘 AI 处理一样，我们面临的挑战是找到一种能够在无线传感器系统的功率限制范围内正常运行的 BLE 连接方案。事实上，对于任何无线传感器系统的设计人员来说，确保延长电池续航时间仍然是一项挑战。然而在工业和汽车应用中，这一点尤为重要，而传感器可能难以触及。在需要执行 CNN 推理的 CbM 系统中，电池和电源管理变得越来越重要。这方面的挑战在于，如何协调多个稳压器、定序器和充电系统，以降低功耗，同时确保运行稳定。

评估套件提供具有边缘 AI 功能的嵌入式无线 CbM 解决方案

Analog Devices 的 EV-CBM-VOYAGER4-1Z Voyager 4 套件为持续评估 CbM 技术或在预测性维护应用中立即部署，提供了一个完整的电池供电型振动监测平台，用于解决部署具有边缘 AI 功能的无线 CbM 时所面临的各种挑战。该套件采用垂直支座（图 1，上），一侧牢牢固定主印制电路板（PC 板），另一侧固定电池，以消除恶劣环境的影响。电源电路板和传感器位于支座底部，靠近待监测的振动源。为了便于部署，垂直支座组件被放置在一个直径 46 mm、高 77 mm 的铝制保护罩内（图 1，下）。该保护罩顶部配备一个 ABS 亚克力盖，可用于 BLE 连接。

图 1：借助坚固的支座组件和保护外罩，Voyager 4 可在恶劣环境中通过边缘 AI 功能实现可靠的无线 CbM。(图片来源：Analog Devices）

该无线传感器系统设计以 Analog Devices 的 MAX32666BLE 微控制器单元 (MCU) 和 Analog Devices 的 MAX78000EXG+ AI MCU 为核心，集成了一整套低功耗器件，用于实现精确的振动测量和异常探测，并延长电池续航时间（图 2）。

图 2：通过将多个低功耗器件组合在一起，Voyager 4 实现了即插即用无线 CbM 边缘 AI 解决方案所需的感测、处理和连接功能组合。(图片来源：Analog Devices）

Voyager 4 采用 Analog Devices 的 ADXL382-1BCCZ-RL7 三轴加速度计进行振动测量，该器件将微机电系统 (MEMS) 传感器、模拟前端 (AFE) 和 16 位模数转换器 (ADC) 组合在一起。该器件具有 8 千赫兹 (kHz) 测量带宽，即使在高振动环境下也能进行精确测量。该器件非常适合低功耗设计，在带宽为 8 kHz 的高性能模式下，功耗仅为 520 微安(μA)，而在带宽为 400 Hz 的低功耗模式下，功耗则仅为 32 μA。

在 Voyager 4 的系统设计中，ADXL382 的输出会通过 Analog Devices 的 ADG1634BCPZ-REEL7 CMOS 开关，并由 MAX32666 BLE MCU 控制。该 BLE MCU 与 Analog Devices 的超低功耗 ADXL367BCCZ-RL7 MEMS 加速计的组合在 Voyager 4 的工作模式中具有核心作用（图 3）。

图 3：Voyager 4 的运行模式可确保高效生成训练数据和实时推理，展示了边缘 AI 功能如何在不依赖云资源的情况下辅助预测性维护。(图片来源：Analog Devices）

在训练过程中（图 3 中的路径“a”），MAX32666 MCU 将 ADXL382-1BCCZ-RL7 的原始振动数据通过 MAX32666 BLE 无线电或 Voyager 4 的 USB 连接传输到用户的主机系统。正如本文稍后讨论的那样，这种运行模式可提供生成定制推理模型所需的训练数据，而这种模型是实现 CbM 边缘 AI 功能的基础。

在进行异常检测期间（图 3 中的路径“b” ），Voyager 4 的 MAX78000EXG+ AI MCU 通过其与 ADXL382-1BCCZ-RL7 的直接连接读取原始振动数据，并利用集成 CNN 加速器执行自定义推理模型，以进行异常预测。如果推理结果表明存在异常，MAX78000EXG+ 就会发出警报，由 MAX32666 BLE MCU 发送至用户采取行动。

如果没有检测到异常，传感器就会进入休眠模式。在这种静态下，ADXL367BCCZ-RL7 加速计在“运动激活式唤醒”模式下仅消耗 180 纳安 (nA) 电流，并在振动超过可调阈值时触发。当发生“运动激活式唤醒”时，ADXL367BCCZ-RL7 会反过来唤醒 MAX32666 BLE MCU，从而启动新一轮振动测量和推理周期。这种方法有助于最大限度地降低正常运行期间的功耗，实现了只在训练和异常警报过程中才使用功耗密集型 BLE 无线电（图 4）。

图 4：运动激活式唤醒和有选择地使用 BLE 无线电有助于延长 Voyager 4 的电池续航时间。(图片来源：Analog Devices）

对用于预测关键机械和设备故障的器件来说，电源管理不可或缺。除了通过 Voyager 4 的“运动激活式唤醒”模式实现系统级节能外，Voyager 4 还集成了 Analog Devices 的 MAX20335BEWX+T 电源管理集成电路 (PMIC)，以提供所需的稳压电源。此外，Analog Devices 的 MAX17262 电量计可监测电池电流，并支持电池续航时间估算。在 Voyager 4 的各种工作模式下，MAX32666 MCU 可以启用或禁用单个 MAX20335BEWX+T 的输出，以满足特定的功耗需求，从而进一步优化功耗。

在器件层面，低功耗运行是 Voyager 4 套件中所用的各个器件的核心特征。例如，MAX32666 BLE MCU 在 3.3 V 电压下从高速缓存执行时，每兆赫仅需 27.3 微安 (μA/MHz)；MAX78000EXG+ AI MCU 在 3.0 V 电压下从高速缓存执行且其 Arm® Cortex®-M4 内核处理器处于激活状态时，耗电量为 22.2 μA/MHz（同时循环执行）。此外，这两款 MCU 还集成了动态电压调节控制器，可进一步将有源内核功耗降至最低。

这种系统级和器件级功耗优化的结合，有效地将 Voyager 4 在各种运行模式下的功耗降至最低。在一般的异常检测模式下，Voyager 4 的功耗约为 0.3 毫瓦 (mW)，传感器每小时工作一次，换算成 1500 毫安时 (mAh) 的电池在典型条件下的续航时间可达两年。相比之下，训练模式需要大量使用 BLE 无线电来传输振动数据，以用于模型训练和验证，因此功耗超过 0.65 mW（见图 4）。

为边缘 AI 训练和部署振动监测模型

随着合适软件工具的广泛应用，训练 CNN 模型已成为一个相对简单的过程。然而，在为边缘 AI 应用训练模型时，边缘处理器和 MCU 的资源限制推动了更多专用工具的开发，从而为各个目标器件进行模型优化。Analog Devices 在其 AI on a Battery GitHub 库中提供了此类工具，通过已记录的工作流程来指导用户工作。Analog Devices 将模型工作流程依次分为三个阶段，并为每个阶段提供专用的 GitHub 库（图 5）。

图 5：具有专用工具和说明库的结构化工作流程，可帮助开发人员优化 MAX78000EXG+ AI MCU 的 CNN 模型，从而在功耗受限的器件上实现实用的 AI 驱动型 CbM。(图片来源：Analog Devices）

在初始阶段，ai8x-training 资源库提供了详细的分步说明，指导用户如何准备工作环境，并使用随附的 train.pyPython 脚本进行培训。接下来，ai8x-synthesis 资源库提供了一套类似的详细说明，用于设置、操作将经过训练的模型转换为 C 代码的工具。

要在边缘 AI 领域取得成功，一个关键因素是了解目标 CNN 执行环境的能力和局限性。在 ai8x-training 和 ai8x-synthesis 资源库中，Analog Devices 提供了一个详细的教程，可帮助开发人员了解 CNN 模型实施决策与 MAX7800x AI MCU 功能之间的关系。

最后，记录在软件开发工具套件库中，提供用于开发固件的说明和工具，该固件嵌入了目标 MAX7800x MCU 的推理模型。生成固件后，用户可通过有线或无线更新方式，将其加载到 Voyager 4 中。此时，用户可以通过将 BLE 与 Voyager 4 连接，并使用 Windows 主机上运行的 Python 图形用户界面 (GUI) 发布命令。正常运行模式下，AI MCU 根据 MAX32666 BLE MCU 的指示或在唤醒时自动执行推理。

结语

设备故障导致的意外停机增加了成本和风险。虽然 CbM 可以通过预测性维护帮助降低成本、减少风险，但设计具有分析能力的合适无线传感器系统仍然是一项非常复杂的工作。Analog Devices 的 Voyager 4 无线振动评估套件提供了一种能够攻克这些挑战的即插即用解决方案，它能通过精确感测、高效利用电源、无线连接和边缘 AI 的强大处理能力，快速部署预测性维护。