文章信息

• 文章标题：《Integrating Machine Learning for Predictive Maintenance on Resource-Constrained PLCs: A Feasibility Study》
  （在资源受限的PLC中集成机器学习实现可预测性维护：可行性研究）
• 文章链接：https://doi.org/10.3390/s25020537
• 期刊：Sensors（《传感器》）
• 时间线：2024年11月20日投稿，2025年1月17日发表
• 关键词：PLC; Arduino board; industrial automation; edge computing; machine learning;
  predictive maintenance; structural health monitoring

摘要

• 做了什么:
  • 探索在PLC上部署神经网络模型实现预测维护实时推理的潜力
• 为什么做（背景）：
  • 工业4.0背景下，云端传输占用大量带宽，处理延迟，安全风险。
  • 边缘设备能做到即时响应、安全性，但内存与处理能力有限。
  • 如何在有限能力（很多工业场景）基础上发挥边缘设备数据处理优势，值得探索。
• 方法/实验/场景： 采集声音数据，部署卷积神经网络推断机械测试台的转速。
• 效果与价值：
  • 探索在有限资源的边缘设备上实现可扩展性、经济性且高效的测试性维护方案的潜力；
  • 为实时异常检测的未来研究奠定基础；

引言

• 背景：
  • 工业4.0带来智能化转型，可实现降本增效，提高安全性。
  • 关键技术机器学习，尤其是神经网络对实现预测性维护很有价值。
  • 边缘设备部署神经网络的好处与局限：处理速度、隐私性和成本效率优势大。但计算成本高，硬件资源有限。
  • 现有方案：
    • 混合架构，例如云端承担训练工作，边缘侧跑模型；
    • 谷歌提出了“联邦学习”（深度学习模型在边缘进行训练，云充当模型聚合器）
  • 采用上述前一种方案进行该研究（局限：更新与传输过程均依赖云端）
  • 介绍可预测性维护的概念
  • 介绍人工神经网络的工业应用特点以及局限（计算成本高）-也是这个领域的一个研究主题，即如何减少其计算成本
  • 关于利用声音进行异常检测的传统方法和AI应用，AI应用当前研究集中在无监督。
• 方法与价值：
  • 方法与对象：ANN模型、声学数据、滚珠轴承转速
  • 研究目的：基于Arduino开发（开源）的低成本PLC能否支持人工神经网络的实时推理。
  • 研究价值：对工业4.0可预测性维护框架的贡献；方案实现成本低，可靠性高，方案采用率也会高且应用场景广泛。

实验设置与硬件配置

• 机械装置：异步电动机驱动的旋转轴组成，两端均由向心球轴承支撑
• 信号采集：速度传感器、驻极体麦克风ARCELI GY-MAX4466
• 控制器：处理器能力、支持的通讯、编程语言

实验细节与方法

• 流程图：
  

• 数据收集与预处理：

  • 采样频率5000Hz(200us)，采集1350个音频样本(涵盖200-1500转每分钟，每50转为一个增量)、速度传感器值为转速标签
  • 数据集：
    • 音频数据做Arduino FFT算法快速处理后生成二维频率谱图（256*32）作为输入；
    • 输入：一个二维256*32张量；输出：一个浮点数值；回归问题；
    • 数据划分：训练集70%,验证集15%,测试集15%

• 模型搭建与训练:
  

  • ANN模型搭建如上
  • 损失函数：MAE
  • 优化算法：自适应动态优化算法[You, K.; Long, M.; Wang, J.; Jordan, M.I. How Does Learning Rate Decay Help Modern Neural Networks?]

• 模型优化与部署：主要是编码以缩小尺寸，导入开发板，对输入数据的平滑处理

结果分析

• 具备可行性，绝对误差42rpm，RAM使用率85%

结论与未来展望

• 泛化普适性未证明，探讨其他工业应用与改造可能性
• 噪声扰动问题，可尝试小波变换
• 可尝试其他的机器学习模型，如循环神经网络，或结合特征提取与传统分类的混合方法；