運用邊緣 AI 即用解決方案增強無線條件式監測

條件式監測 (CbM) 可透過預測性維護協助避免設備故障，但要設計一套有效的系統，通常需要將精密感測、低雜訊訊號鏈、電源管理和無線連線功能達到最佳化整合。這些複雜的功能，可能會導致 CbM 的部署延遲並增加成本。設計人員也開始認可在邊緣導入人工智慧 (AI) 分析的優勢，但這會讓 CbM 變得更加複雜。因此需要的是更直接且有效的解決方案。

本文將概述 CbM。接著會介紹來自 Analog Devices 的即用解決方案，能立即部署具備邊緣 AI 的無線 CbM。

條件式監測為何重要

非計畫性停機對於維持設備高水準的有效運作來說，仍是一大挑戰。若某一處關鍵設備發生一次意外故障，就可能導致整條生產線停擺、供應鏈中斷，且需要昂貴的維修服務。傳統的維護作法，無論是在故障後進行反應式修復，或是制訂嚴格的維護排程，其實都有各自的缺點：反應式維護會導致高昂的停機成本，而排程維護則會因為對仍可運作的元件進行非必要的更換而造成資源浪費。

CbM 可實作更具成本效益的預測性維護方法。透過振動、溫度、電流或其他效能指標的監測，設備操作人員能在故障發生前辨識出元件劣化的早期警示訊號。這種資料導向的作法可減少非計畫性停機時間、延長設備壽命，並降低總持有成本。

儘管具備多項優點，CbM 部署仍可能礙於複雜的要求以及需要跨領域的專業知識而陷入停滯。若要在工業與車用設備中順利運用條件式監測 (CbM)，克服上述這些挑戰將是一大阻礙。

條件式監測的挑戰與要求

為了讓 CbM 發揮其全部潛在優勢，CbM 解決方案必須可在嚴苛的工業及汽車環境中可靠運作，並依據準確的測量資料提供及時分析。然而，即使在受測設備正常運作下<這些目標環境的特性也會對測量裝置帶來極大的機械與環境應力。工業用馬達、傳動系統及重型轉動式設備會讓監測裝置暴露在持續的振動、衝擊、極端溫度及高程度的電磁干擾 (EMI) 中。

為了促成可靠的預測性維護，CbM 裝置中的振動感測器必須能偵測更細微的變化，這些變化通常是機軸不平衡、錯位或軸承磨損的最早徵兆。要在嚴苛的環境條件下確保高精度的振動測量，需要一個大頻寬、低雜訊的感測器訊號擷取子系統，以便在充滿挑戰的操作環境中提供穩定的效能。

CbM 作法的核心在於，利用振動分析提供基礎，以識別出可區分正常運作與故障早期指標的模式。在過去，振動感測器系統會將測量結果傳送到中央主機或雲端資源進行分析。然而，先進的 CbM 解決方案已逐漸將分析作業移轉到邊緣端進行。只要分析感測器系統內部或附近的資料，就能在最低延遲下產生結果，並可在對時間敏感的工業與汽車網路中減少流量。

特別值得注意的是，卷積神經網絡 (CNN) 模型架構的邊緣 AI 推論能對振動的變化進行即時的解讀。然而，採用 CNN 的推論需要密集的運算，會進一步讓 CbM 在不超過系統功率、尺寸或成本的限制下達成目標變得更加複雜。

隨著條件式監測 (CbM) 在轉動式設備或遠端與行動設備中的應用日益增多 (因有線連接不便)，降低功耗的需求變得更加迫切。為了在這些使用案例中符合無線連線的要求，藍牙低功耗 (BLE) 相較於其他連線選項 (表 1)，可提供所需的範圍、功率和可靠性組合。

表 1：在各種無線連線標準中，BLE 可提供適合無線振動監測所需的特性組合。(表格來源：Analog Devices)

然而，與邊緣 AI 處理一樣，找到能在無線感測器系統功率限制內運作的 BLE 連接解決方案並不容易。事實上，對任何無線感測器系統來說，確保延長電池續航力仍是設計人員面臨的挑戰之一。然而，這對工業和汽車應用來說尤其重要，因為感測器可能難以觸及。在預期執行 CNN 推論的 CbM 系統中，電池與電源管理越來越關鍵。此時的難題在於協調多個穩壓器、序列器和充電系統，以便降低功耗同時確保穩定運作。

評估套件提供搭載邊緣 AI 的即用型無線 CbM 解決方案

Analog Devices 的 EV-CBM-VOYAGER4-1Z Voyager 4 套件提供一個完整的電池供電式振動監測平台，藉此因應部署無線 CbM 搭配邊緣 AI 的挑戰，可用於持續評估 CbM 技術或立即部署於預測性維護應用。此套件的設計可承受嚴苛環境，使用垂直支架 (圖 1 頂端) 將主印刷電路板 (PCB) 牢牢固定在一邊，另一邊則是電池。支架底部有一張電源 PCB 和感測器，皆靠近受監測的振動來源。為了部署，垂直支架組件會置於鋁製保護外殼中 (圖 1 底部)，其直徑為 46 mm，高度為 77 mm。外殼上裝有 ABS 壓克力蓋，以便達到 BLE 連線。

圖 1：Voyager 4 堅固的支架組件與保護殼能讓具有邊緣 AI 的無線 CbM 可靠運作。(圖片來源：Analog Devices)

此無線感測器系統的架構含有 Analog Devices MAX32666 BLE 微控制器單元 (MCU) 及 Analog Devices MAX78000EXG+ AI MCU，在設計上整合了一套完整的低功耗裝置，可提供精確的振動測量及異常偵測功能，更可延長電池續航力 (圖 2)。

圖 2：Voyager 4 結合多個低功耗裝置，可提供感測、處理與連線功能的組合，達到即用的無線 CbM 邊緣 AI 解決方案。(圖片來源：Analog Devices)

為了提供振動測量，Voyager 4 採用 Analog Devices 的 ADXL382-1BCCZ-RL7 三軸加速計，其中結合了微機電系統 (MEMS) 感測器、類比前端 (AFE) 以及 16 位元類比數位轉換器 (ADC)。此裝置具有 8 kHz 的測量頻寬，專為在高振動環境中提供精確測量結果而設計。非常適合低功耗設計，在高效能模式下，使用 8 kHz 頻寬時僅消耗 520 μA，而在低功耗模式下，使用 400 Hz 頻寬時僅消耗 32 μA。

在 Voyager 4 的系統設計中，ADXL382 的輸出訊號會傳送到 Analog Devices 的 ADG1634BCPZ-REEL7 CMOS 開關，且此開關由 MAX32666 BLE MCU 控制。此 BLE MCU 會與 Analog Devices 超低功耗 ADXL367BCCZ-RL7 MEMS 加速計結合，在 Voyager 4 的運作模式中發揮關鍵功用 (圖 3)。

圖 3：Voyager 4 的操作模式可確保有效產生訓練資料與即時推論，進而展示邊緣 AI 如何在不依賴雲端資源的情況下支援預測性維護。(圖片來源：Analog Devices)

在訓練操作期間 (圖 3 中的路徑 a)，MAX32666 MCU 會從 ADXL382-1BCCZ-RL7 擷取原始振動資料，並透過 MAX32666 BLE 無線電或 Voyager 4 的 USB 連線傳送到使用者的主機系統。如本文稍後所述，此操作模式可提供必要的訓練資料，以便產生 CbM 邊緣 AI 用的自訂推論模型。

在異常偵測操作期間 (圖 3 中的路徑b)，Voyager 4 的 MAX78000EXG+ AI MCU 會利用其與 ADXL382-1BCCZ-RL7 的直接連線來讀取原始振動資料，並使用整合式 CNN 加速器執行自訂推論模型以進行異常預測。如果推論結果指出具有異常，MAX78000EXG+ 將發出警報，並由 MAX32666 BLE MCU 將該警報傳送給使用者以便採取行動。

如果未偵測到異常，感測器就會進入睡眠模式。在靜止狀態下，ADXL367BCCZ-RL7 加速計在動作啟動式喚醒模式中僅會消耗 180 nA，且會在振動超過可調整的門檻時觸發。當動作啟動喚醒時，ADXL367BCCZ-RL7 會進一步喚醒 MAX32666 BLE MCU，後者隨即會啟動新一輪的振動測量與推論循環。此作法有助於在正常運作期間將功耗降至最低，將高耗能的 BLE 無線電使用限制於訓練階段和異常警示 (圖 4)。

圖 4：動作啟動式喚醒與 BLE 無線電的選擇性使用，有助於延長 Voyager 4 的電池續航力。(圖片來源：Analog Devices)

有效的電源管理對於要用來預測關鍵機械和設備故障的裝置來說至關重要。除了透過 Voyager 4 的動作啟動式喚醒操作達到的系統層級省電外，Voyager 4 還整合了 Analog Devices 的 MAX20335BEWX+T 電源管理積體電路 (PMIC)，可提供需要的電壓供應。此外，Analog Devices 的 MAX17262 電量計也會監測電池電流並支援電池續航力估算。在 Voyager 4 的各種運作模式中，MAX32666 MCU 可啟用或停用個別的 MAX20335BEWX+T 輸出，以符合特定的功率需求，進一步達到最佳化功耗。

在裝置層級，低功耗操作是 Voyager 4 套件中各個裝置的核心特性。舉例而言，MAX32666 BLE MCU 在 3.3 V 下從快取執行時，僅需消耗 27.3 μA/MHz；MAX78000EXG+ AI MCU 在 3.0 V 下從快取執行，且在其 Arm® Cortex®-M4 核心處理器作用時，會消耗 22.2 μA/MHz (迴路執行時)。此外，兩款 MCU 均整合了動態電壓調整控制器，可進一步將作用中的核心功耗降至最低。

系統層級與裝置層級的功耗最佳化組合，能讓 Voyager 4 在各種操作模式中將功耗降至最低。在正常的異常偵測模式下，Voyager 4 的功耗約為 0.3 mW，感測器每小時會作用一次，因此在典型條件下，容量為 1500 mAh 的電池可提供長達兩年的電池續航力。相較之下，訓練模式需要大量使用 BLE 無線電來傳輸振動資料，以便進行模型訓練與驗證，會導致功耗超過 0.65 mW (圖 4) 。

訓練與部署邊緣 AI 用的振動監測模型

CNN 模型的訓練，在合適的軟體工具已廣泛可用下，過程已變得相對簡單。然而，在邊緣 AI 應用的模型訓練中，邊緣處理器和 MCU 的資源有所限制，因此促使開發更多的專用工具，以針對個別目標裝置達到模型最佳化。Analog Devices 在其 AI on a Battery GitHub 儲存庫中提供此類工具，可引導使用者完成記錄式工作流程。Analog Devices 將模型工作流程拆解成三階段序列，並針對各階段提供專門的 GitHub 儲存庫 (圖 5)。

圖 5：提供結構化的工作流程，以及專門的工具儲存庫與說明，有助於開發人員針對 MAX78000EXG+ AI MCU 達到 CNN 模型最佳化，以便在電力受限的裝置上達到實用的 AI 驅動式 CbM。(圖片來源：Analog Devices)

在初始階段，ai8x-training 儲存庫可提供詳細的逐步指示，以便備妥工作環境並利用隨附的 train.py Python 腳本進行訓練。在下一個階段，ai8x-synthesis 儲存庫會提供同樣詳細的指示，以便設定及操作工具，將訓練好的模型轉換成 C 程式碼。

為了順利進行邊緣 AI，有個關鍵的因素就是瞭解目標 CNN 執行環境的能力與限制。Analog Devices 在 ai8x-training 和 ai8x-synthesis 兩個儲存庫中納入詳細的教學，可協助開發人員理解 CNN 模型實作決策與 MAX7800x AI MCU 能力之間的關係。

在最後階段中，依據軟體開發套件儲存庫的說明，有提供相關指示與工具，可用來開發韌體，將目標 MAX7800x MCU 用的推論模型嵌入其中。產生韌體後，使用者可透過有線或無線更新將其載入到 Voyager 4。此時，使用者可以透過 BLE 連接 Voyager 4，並使用 Windows 主機上執行的 Python 圖形使用者介面 (GUI) 發出命令。在正常運作模式下，AI MCU 會依據 MAX32666 BLE MCU 的指示進行推論，或在喚醒時自動執行。

結論

設備故障引起的非計畫性停機會增加成本與風險。雖然 CbM 能透過預測性維護協助降低成本並減輕風險，但要設計合適的無線感測系統並進行分析仍屬複雜的工作。Analog Devices 的 Voyager 4 無線振動評估套件可提供即用的解決方案來克服這些挑戰，因此可促成預測性維護的快速部署，且達到精準感測、高效的電力利用、無線連線並具有邊緣 AI 的強大處理能力。