瑞萨丨重塑皮带监测技术：AI如何在故障发生前检出破损

　　在工业电机驱动系统中，皮带扮演着重要的作用——用于实现旋转部件之间平稳、高效的机械动力传输。这些组件连接着两根轴，一根由电机驱动，另一根由皮带驱动，共同构成了一个可靠的皮带驱动系统，适用于多种工业场景。

　　皮带因其高功率传输效率、高性价比以及易于安装和更换的特点，一直都是工程师的首选。它们支持各种形状、材料和性能特点，支持多样化的机械运动和系统架构。

　　然而，正如所有机械组件一样，皮带也会随时间逐渐退化。持续运转使它们遭受疲劳、撕裂和磨损的影响，并且常会随着振动、过载和恶劣的环境条件而加重。即使是细小的破损也可能会引发严重的后果，包括性能下降、振动加剧、相邻组件磨损加快，在更加严重的情况下还会导致皮带意外故障，致使整个生产线中断。

　　皮带撕裂问题在系统尚在运转时难以检出，因此容易导致意外停工和代价高昂的维护成本。然而，一种基于AI的方法无需额外的外部传感器即可准确检出皮带破损。这种方法令工程师能够构建出智能化程度和成本效益更高的监测系统，使工业系统保持最佳运行状态。

　　图1：皮带存在明显撕裂损伤

　　图2：皮带状况良好

　　如上图所示，我们对两根皮带进行了对比：

　　一根出现了细小的结构性缺陷(可见的微小撕裂)

　　一根处于正常工作状态，无明显破损

　　在下一节中，为展现该方法的准确性和有效性，我们将展示这种基于AI的方法如何成功检测到这种细微的缺陷，并呈现相关结果。

　　如何检测皮带破损?

　　为了评估检测方法，我们使用两根皮带搭建了一个可控制的测试台：一根状况良好，另一根出现了明显撕裂。每根皮带分别安装在一个双轴系统上。

　　主轴由低压无刷直流(BLDC)电机驱动，该电机则由瑞萨电子的RA6T2电机控制套件供电。这个套件包含了一块RA6T2电机控制CPU板和一块低压电机控制逆变器板

　　副轴完全由皮带驱动

　　我们采用这种配置，搭建出一个精确可靠的平台，用于控制电机和采集数据。

　　图3：双皮带受控测试台架搭建示意图

　　我们使用正常皮带收集了基准数据，随后使用受损皮带重复了该流程。我们采用完全无传感器的方法，收集了逆变器电压和电流反馈数据，随后使用它们训练了AI模型以检测皮带破损。

　　数据集收集和AI模型训练

　　我们将瑞萨电子的Reality AI Tools®云平台和数据存储工具相结合，并通过e² studio中的Reality AI™ Utilities进行集成，从而构建出了可靠、高性能的检测模型工作流。这一工作流具有两大优势：

　　高效的数据集准备能力，包括信号可视化、噪声识别和自动数据集拆分

　　精简的环境，用于训练、优化和微调AI模型，从而实现高准确度和极小的内存占用

　　数据集被分为了两类：

　　正常皮带类：来自完好皮带的数据

　　受损皮带类：来自撕裂皮带的数据

　　完成训练后，我们借助独立数据集进行了交叉验证，以确保模型的稳健性和泛化能力。这一步确保最终模型的尺寸和计算足迹保持在适合嵌入式部署的范围内，同时不影响其准确度。

　　RAM：9KB

　　ROM：4.8KB

　　交叉验证准确度：98%

　　实际工况验证

　　为了验证模型性能，我们搭建了一个实体测试台，并在两种不同的运行条件下进行了测试。

　　冷启动测试：在环境电机温度下进行短暂运转

　　热稳定性测试：随着电机温度升高进行长时间运转

　　在两种条件下的大量测试均证实，模型在实际运行环境中具有一致的检测性能。

　　下图展示了该模型在各条件下的性能表现：

　　左图：冷启动性能

　　右图：在温度升高时的稳态性能

　　总结

　　工业皮带破损可能会引发意外停工，降低可靠性，甚至带来高昂的维护成本。这种采用AI技术的无传感器检测方法无需额外传感器，即可及早识别出皮带撕裂问题，从而有效解决了这一难题。因此，工程师可以从定期检查转向持续工况监测，并在问题干扰生产前及时采取措施。通过协助工程师在更早期做出更智能的维护决策，这种方法有助于：

　　减少意外停工

　　提升设备可靠性

　　优化维护周期

　　降低整体运营成本