Prototyp für die vorausschauende Wartung und Zustandsüberwachung von Elektromotoren mit ML und Edge Computing

Die Leistung industrieller Anlagen hängt maßgeblich vom Zustand ihrer Motoren ab. Selbst geringfügige Abweichungen, etwa ungewöhnliche Vibrationsmuster, können auf sich anbahnende Defekte hinweisen. Diese können schließlich zu einem Ausfall der Anlage und ungeplanten Stillstandszeiten führen. Wartungsteams benötigen daher eine zuverlässige Möglichkeit, das Motorverhalten kontinuierlich zu überwachen und potenzielle Probleme frühzeitig zu erkennen.

Toradex und SaM Solutions wollten untersuchen, wie Edge Computing, Machine Learning und Cloud-Technologien die vorausschauende Wartung in industriellen IoT-Umgebungen unterstützen können. Ziel war die Entwicklung eines Prototyps, der Leistungsdaten von Motoren über integrierte Sensoren erfasst, direkt am Gerät analysiert und den aktuellen Betriebszustand des Motors zuverlässig bestimmt.

Das System sollte ungewöhnliches Verhalten erkennen, darunter künstlich erzeugte Vibrationen. Außerdem sollte es zeigen, wie Wartungstechniker frühzeitig vor Anzeichen einer Fehlfunktion oder einem möglichen Ausfall gewarnt werden können. Darüber hinaus sollte das Projekt die Leistungsfähigkeit der neuesten Toradex-Entwicklungsplatine in Kombination mit AWS-Cloud- und Edge-Diensten demonstrieren.

Gemeinsam mit Toradex entwickelte SaM Solutions einen Edge-Computing-Prototyp, der den Betriebszustand eines Motors anhand der Frequenz und Intensität seiner Vibrationen bestimmt. Ungewöhnliche Vibrationsmuster können auf sich anbahnende Defekte hinweisen. So kann das System potenzielle Probleme erkennen, bevor es zu einem Anlagenausfall kommt.

Der Hardwareaufbau bestand aus einem bürstenlosen Gleichstrommotor mit einem MPU-6050-Vibrationssensor. Dieser war mit einem Toradex Aster Carrier Board verbunden, auf dem ein Colibri i.MX6-ULL Computer-on-Module installiert war. Der Sensor erfasste kontinuierlich die Betriebsdaten des Motors und übertrug sie zur Verarbeitung an das Toradex-Gerät.

Das Team trainierte ein Machine-Learning-Modell mit den Frameworks TensorFlow und Keras. Dazu wurden Trainingsdaten für verschiedene Betriebsbedingungen erfasst. So konnte das Modell drei grundlegende Betriebszustände des Motors unterscheiden:

• Aus: Der Motor läuft nicht.
• Normal: Der Motor arbeitet innerhalb der erwarteten Parameter.
• Anormal: Das erkannte Verhalten kann auf eine Fehlfunktion hinweisen, etwa durch Unterspannung, Überspannung oder einen Motorausfall.

Das Modell wurde in der Microsoft-Azure-Umgebung trainiert und über AWS IoT Greengrass und eine in Python geschriebene AWS-Lambda-Funktion auf das Gerät übertragen. Vor der Analyse wurden die eingehenden Sensordaten verarbeitet und in das vom Modell benötigte Eingabeformat umgewandelt.

Nach der Bereitstellung konnte der Machine-Learning-Algorithmus direkt auf dem Toradex-Board ausgeführt werden. So analysierte der Prototyp das Motorverhalten und bestimmte den aktuellen Betriebszustand lokal. Eine dauerhafte Internetverbindung war dafür nicht erforderlich. Auch mussten nicht sämtliche Datenpunkte an die Cloud gesendet werden. Die AWS-Verbindung diente hauptsächlich dazu, das Modell und seine Erkennungslogik bereitzustellen und zu aktualisieren.

Der ermittelte Motorstatus konnte anschließend über eine Weboberfläche angezeigt oder über unterstützte Kommunikationsprotokolle an andere Systeme übertragen werden. Damit zeigte der Prototyp, wie sich Embedded-Hardware, Machine Learning, Cloud-Dienste und Edge Computing für die kontinuierliche Zustandsüberwachung von Motoren und die vorausschauende Wartung kombinieren lassen.

Weitere Einblicke in das Projekt bietet das gemeinsame Webinar von SaM Solutions und Toradex. Die Experten erläutern die Architektur des Prototyps, seine wichtigsten Funktionen und seine Funktionsweise.

SaM Solutions und Toradex entwickelten erfolgreich einen funktionsfähigen Prototyp für die vorausschauende Wartung, der Motorbetriebszustände mit einer Genauigkeit von bis zu 99 % erkennen konnte. Die Lösung zeigte, wie sich Vibrationsdaten, Machine Learning und Edge Computing kombinieren lassen, um ungewöhnliches Motorverhalten zu erkennen und frühzeitig auf mögliche Anlagenausfälle hinzuweisen.

Da das trainierte Modell direkt auf dem Toradex-CoM (Computer-on-Module) ausgeführt wurde, konnte der Prototyp den bürstenlosen Gleichstrommotor als eigenständige Edge-Lösung überwachen – ohne permanente Internetverbindung. Gleichzeitig ermöglichte die Integration von Cloud-Technologien die zentrale Bereitstellung und Aktualisierung des Modells. So verband die Lösung die schnelle lokale Datenverarbeitung mit der Flexibilität einer cloudbasierten Machine-Learning-Infrastruktur.

Das Projekt zeigte, wie Industrie- und Fertigungsunternehmen die vorausschauende Wartung nutzen können, um ungeplante Stillstandszeiten zu reduzieren, Verluste durch mechanische Defekte zu begrenzen und die Produktivität ihrer Anlagen zu steigern. Zudem demonstrierte Toradex, wie sich die Embedded-Computing-Plattform für anspruchsvolle Anwendungen im industriellen IoT und im Bereich Machine Learning einsetzen lässt.