基于传感器的机器学习：在协作机器人中实施预测性维护的更简单方法
作者：Martin Schiel，EMEA 垂直细分市场经理（嵌入式计算）
物联网、增强现实 (AR) 和云计算等技术成熟的结果之一是智能工厂的兴起。智能工厂中越来越熟悉的景象是协作机器人。协作机器人已经在智能制造中发挥了重要作用，并且随着时间的推移将承担更多的功能，并在工厂中提供更大的价值。
随着智能工厂越来越依赖协作机器人来实现其基本功能，因此它们可靠运行、且没有计划外停机变得更加重要。这促使协作机器人制造商在其产品中启用预测性维护：在出现最终可能会损害协作机器人运行的故障时，可为用户提供早期预警。它提供了在计划维护时间内修复故障的机会，而不会因意外机器故障而造成中断。
在协作机器人中，预测性维护系统依赖于传感器，这些传感器可以检测四肢和关节运动以及驱动它们的电机中的微小异常：
· 加速度计和惯性测量单元 (IMU) 等传感器可以检测由轴承磨损等引起的振动
· 超声波传感器拾取的独特声波特征可以检测到过度摩擦
机器学习技术是人工智能 (AI) 的一个分支，当协作机器人全新或处于已知未损坏状态时，该技术的应用使协作机器人能够检测振动和声音模式与参考点的差异。对异常模式的分析可以使系统诊断早期故障，并对工厂管理系统触发计划维修和维护的请求。
在机器学习的早期实施中，用于识别传感器信号模式的复杂神经网络算法通常会在基于强大微处理器的嵌入式计算系统中远程运行。
然而，这种集中式系统在处理来自大量协作机器人的输入时，给处理设备带来沉重负担，导致高功耗，并占用连接协作机器人和中央控制系统的网络中的大量带宽。
现在，具有嵌入式 AI 功能的新一代传感器的出现为协作机器人制造商提供了一种实现本地机器学习的新方法。意法半导体是机器学习传感器开发的先驱，使用其提供的工具和软件，协作机器人设计工程师可以利用一种新的、更简单的方法在他们的产品中构建预测性维护功能。
用于振动和超声波测量的各种 MEMS 传感器
意法半导体提供业界最大的 MEMS 传感器产品组合之一，包括加速度计、IMU、压力传感器和麦克风。传感元件采用专门的微加工工艺制造，而 IC 接口则采用专业的 CMOS 技术开发。这使得与传感元件特性相匹配的专用电路的设计成为可能。
该技术支撑了 IIS3DWB 的高性能，例如，三轴超宽带宽 MEMS 加速度计，是检测故障机器产生的振动的理想器件。意法半导体还提供基于其 MEMS 传感器 IC 的运动传感器模块：例如，ISM330DHCX 是一款系统级封装产品，包括专为工业 4.0 应用量身定制的高性能 3D 数字加速度计和 3D 数字陀螺仪。
基于决策树逻辑的机器学习
ISM330DHCX 是意法半导体提供的、包含机器学习核心 (MLC) 形式的嵌入式 AI 功能的MEMS 传感器产品之一。这种机器学习能力使系统操作员能够将一些预测性维护算法从中央应用处理器转移到传感器，专用 MLC 消耗的功率要少得多。
那么传感器的小型低功耗处理逻辑块如何提供通常需要大型高耗电应用处理器的机器学习能力？
答案在于意法半导体在其智能传感器中嵌入的决策树逻辑：与传统的神经网络算法相比，意法半导体支持的决策树算法更简单，因此消耗的指令周期和功率也低得多。
决策树是由一系列可配置节点组成的数学工具。每个节点代表一个“if-then-else”条件，将输入信号（即根据原始传感器数据计算的定量值）与阈值进行比较。
ISM330DHCX 可配置成同时独立运行多达八个决策树。决策树存储在器件中，并在专用输出寄存器中生成结果。决策树的结果可以随时由主机微控制器或应用处理器读取。传感器还可以为决策树产生的结果的每次变化生成中断。
决策树逻辑如何运作
决策树的预测模型是根据一组训练数据构建的，并存储在 ISM330DHCX 中。训练数据在协作机器人运行期间以其所需状态（即处于良好状态、无故障）被记录下来。
决策树是 MLC 分析原始传感器数据中共同特征的方法。这些共同特征将构成“模型”的基础，传感器将使用该模型与协作机器人的操作进行比较。如果传感器输出与模型高度匹配，则协作机器人无故障。如果传感器无法将其实时测量值与模型相匹配，则表明存在潜在故障，从而向机器操作员发出报警。
决策树的每个节点都包含一个条件，在该条件下将特征与特定阈值进行比较。如果条件为真，则评估真路径中的下一个节点。如果条件为假，则评估假路径中的下一个节点，如图 1 所示。决策树的状态将会逐个节点进行演化，直到找到结果。决策树的结果定义了一个行为“类别”：在健身腕带中，这样的类别可能是“步行”或“慢跑”。在协作机器人的预测性维护应用中，协作机器人的不同工作负载对应不同的类别。
图 1：决策树由多个节点组成
决策树为每个时间窗口生成一个新的结果，其长度由用户设置，以捕获相关活动类别的特征。结果也可以通过被称为“元分类器”的额外可选的过滤器进行修改，该过滤器将内部计数器应用于决策树的输出。
MLC 识别的活动类别（以过滤或非过滤决策树结果的形式）可通过 ISM330DHCX 模块的寄存器进行访问。
MLC 入门
对于在传统集中式架构中实现过机器学习的设计工程师，或者之前从未实现过机器学习的设计工程师来说，用于构建机器学习模型的决策树方法可能显得陌生或困难。但实际上MLC的操作简单易学，因为意法半导体提供了一套优秀的评估开发工具和资源。
用于在 ISM330DHCX 等产品上评估 MLC 的意法半导体平台的基础是 STWIN 无线工业节点，型号为 STEVAL-STWINKT1B，如图 2 所示。针对机器学习和预测性维护应用，STWIN 由 Github 上提供的三个决策树模型示例提供支持：
· 振动监测
· 运动强度
· 6D位置识别
三者的使用方法相同。为了帮助设计工程师开始使用 ISM330DHCX 的 MLC，让我们详细了解决策树在 6D 位置识别中的应用。它可用于协作机器人或其他机器人应用，以独立检测机器人手臂的位置，并将其与位置传感器的结果进行比较，这是稳健的安全机制通常需要的过程。
图 2：意法半导体的 STWIN 评估板
STWIN 平台上 6D 位置识别的实现分一系列步骤进行。
第 1 步：简介
6D 位置识别的一个简单示例是在加速度计数据输出的每个轴上使用传感器的有符号或无符号均值特征来实现的。
意法半导体提供的软件可以识别以下位置：
无
X 轴向上
X 轴向下
Y 轴朝上
Y 轴向下
Z 轴朝上
Z 轴向下
第 2 步：传感器配置和方向
加速度计配置成在 ±2 g 满量程和 26 Hz 的输出数据速率下运行。该算法允许任何传感器方向。
第 3 步：MLC 配置
这两个特征（均值有符号和均值无符号）应用于加速度计输出的所有轴。MLC 以 26 Hz 的频率运行，在 16 个样本的窗口上计算特征，持续时间为 0.6 秒。配置成检测不同行为类别的决策树由大约八个节点组成。此意法半导体应用示例中未使用元分类器。
要在 STWIN 板上运行示例，工程师需要使用 ST HSDatalog 软件。HSDatalog 是用于数据记录的高速命令行应用程序。它还使用户能够配置 ISM330DHCX 的 MLC，并读取所选算法的输出。
通过 STWIN 板和 HSDatalog 运行 MLC 示例软件：
下载最新版本的HSDatalog，在STM32Cube 开发软件的高速数据记录功能包FP-SNS-DATALOG1 中提供。
使用功能包中的HSDatalog固件对STWIN板进行编程，如图3所示。
下载并安装ST BLE Sensor 智能手机应用程序。
图 3：如何对 STWIN 板进行编程
接下来，访问意法半导体的 Github 页面以获取 MLC 示例并下载相应的 .ucf 文件。将此配置文件加载到 STWIN 板上的 ISM330DHCX 器件，如图 4 加载配置步骤所示。
图 4：在意法半导体的 BLE 传感器应用程序中运行 HSDatalog MLC 软件
现在系统已准备好根据图 4 中所示的指令运行。决策树的输出可以看作是“MLC0_SRC (70h)”的寄存器值。它们也显示在 BLE 传感器应用程序中，如图 4 所示。
在意法半导体应用示例中，以下值表示各种 6D 位置：
0 = 无
1 = X 轴向上
2 = X 轴向下
3 = Y 轴向上
4 = Y 轴向下
>5 = Z 轴向上
6 = Z 轴向下
每次使用新值更新寄存器 MLC0_SRC (70h) 时，配置的软件都会在 ISM330DHCX INT1 引脚上生成脉冲式高电平有效中断。
意法半导体 MLC 的进一步应用
意法半导体提供的 6D 位置应用示例提供了一种直观的方式来了解 ISM330DHCX 中 MLC 的操作。协作机器人设计人员很快就会希望进一步探索其功能和能力。他们在这方面得到了意法半导体在线提供的大量信息和资源的支持。其中包括关于 ISM330DHCX MLC 的应用笔记 AN5392，以及用于决策树生成的设计技巧 DT0139。有关高速数据记录功能包的信息，请参阅用户手册 UM2688。
客户也可以通过富昌电子的全球办事处的应用工程师获得技术支持。
开发板
支持的元器件：ISM330DHCX, IIS3DWB, STM32L4R9ZIJ6, STSAFE-A110, IMP23ABSU
板型号：STEVAL-STWINKT1B
说明：
STWIN SensorTile 无线开发套件是一种可简化工业物联网应用（如状态监测和预测性维护）的原型设计和测试的参考设计。
该套件由核心系统板、480 mAh 锂聚合物电池、STLINK-V3MINI 调试器和塑料盒组成。核心系统板具有一系列嵌入式工业级传感器和超低功耗微控制器。在软件包、固件库和云仪表板应用程序的支持下，STWIN SensorTile 可对各种振动频率（包括甚高频音频和超声波频谱）的运动传感数据进行分析，并实施局部温度和环境监测。
