描述

管道堵塞會(huì)對(duì)工業(yè)運(yùn)營(yíng)產(chǎn)生嚴(yán)重的破壞性影響。堵塞的發(fā)生可能有多種原因，例如碎屑堆積、腐蝕和其他類型的損壞。當(dāng)管道堵塞時(shí)，它會(huì)擾亂材料的流動(dòng)并導(dǎo)致昂貴的維修、停機(jī)和其他問題。在本文中，我們將探討堵塞對(duì)工業(yè)管道的破壞性影響，并討論一些預(yù)防和緩解這些問題的方法。

管道堵塞的主要影響之一是降低效率和生產(chǎn)力。當(dāng)管道堵塞時(shí)，材料的流動(dòng)會(huì)中斷，這可能導(dǎo)致生產(chǎn)過程中的延遲和瓶頸。這可能會(huì)導(dǎo)致錯(cuò)過最后期限、減少產(chǎn)量和減少利潤(rùn)。此外，堵塞會(huì)導(dǎo)致設(shè)備更快磨損，從而導(dǎo)致更高的維護(hù)和維修成本。

管道堵塞的另一個(gè)破壞性影響是環(huán)境破壞。當(dāng)管道堵塞時(shí)，可能會(huì)導(dǎo)致溢出和泄漏，從而對(duì)環(huán)境造成嚴(yán)重后果。例如，如果輸送有害物質(zhì)的管道堵塞，物質(zhì)可能會(huì)泄漏并污染周圍區(qū)域。這會(huì)對(duì)野生動(dòng)物、生態(tài)系統(tǒng)和人類健康產(chǎn)生嚴(yán)重影響。

除了這些影響之外，管道堵塞還會(huì)對(duì)工人造成安全風(fēng)險(xiǎn)。如果輸送高壓流體或氣體的管道發(fā)生堵塞，可能會(huì)導(dǎo)致爆炸或其他危險(xiǎn)。這可能會(huì)使工人面臨受傷或死亡的風(fēng)險(xiǎn)，并導(dǎo)致設(shè)備和設(shè)施損壞。

作為工業(yè)運(yùn)營(yíng)中管道堵塞問題的建議解決方案，我們正在引入人工智能 (AI) 和機(jī)器學(xué)習(xí)的使用。我們的人工智能系統(tǒng)使用流量傳感器數(shù)據(jù)，通過分析可能表明堵塞的流量變化來檢測(cè)管道中的堵塞情況。這種方法有可能防止中斷和昂貴的維修，并降低環(huán)境破壞和安全事故的風(fēng)險(xiǎn)。

為實(shí)施該解決方案，將沿管道長(zhǎng)度安裝流量傳感器。這些傳感器將持續(xù)測(cè)量通過管道的物料流速，并將數(shù)據(jù)傳回人工智能系統(tǒng)。然后，人工智能系統(tǒng)將使用機(jī)器學(xué)習(xí)算法來分析數(shù)據(jù)并檢測(cè)可能表明堵塞的任何變化。如果檢測(cè)到堵塞，系統(tǒng)會(huì)提醒維護(hù)人員，然后他們可以采取措施解決問題。

硬件要求

• 種子 Wio 終端
• 水流傳感器

軟件要求

• 邊緣脈沖
• 開發(fā)環(huán)境

硬件設(shè)置

在這個(gè)項(xiàng)目中，我們使用了Seeed Wio Terminal開發(fā)板。選擇這個(gè)特定的板是因?yàn)樗鳛橐粋€(gè)完整的系統(tǒng)具有全面的功能，包括屏幕、開發(fā)板、輸入/輸出接口和外殼。從本質(zhì)上講，Seeed Wio Terminal在一個(gè)單一的集成包中提供了成功項(xiàng)目所需的一切。此外，該開發(fā)板以其可靠性和易用性著稱，是我們項(xiàng)目的理想選擇。

我們使用了 DFRobot水流傳感器來檢測(cè)水流狀態(tài)。

該傳感器的目的是測(cè)量液體通過時(shí)的流速。它通過使用磁性轉(zhuǎn)子和霍爾效應(yīng)傳感器來完成這項(xiàng)任務(wù)。當(dāng)液體流過傳感器時(shí)，液體的運(yùn)動(dòng)會(huì)引起磁轉(zhuǎn)子旋轉(zhuǎn)。轉(zhuǎn)子轉(zhuǎn)動(dòng)的速度與液體的流速成正比。位于轉(zhuǎn)子附近的霍爾效應(yīng)傳感器檢測(cè)到這種旋轉(zhuǎn)并輸出脈沖寬度信號(hào)。然后可以使用該脈沖寬度信號(hào)來計(jì)算液體的流速。這樣，磁性轉(zhuǎn)子和霍爾效應(yīng)傳感器的組合可以精確測(cè)量液體的流量。

該系統(tǒng)的流程設(shè)置非常簡(jiǎn)單。本質(zhì)上，它涉及將兩根管道連接到流量傳感器的入口和出口。進(jìn)水管用于將被測(cè)液體導(dǎo)入流量傳感器，而出水管用于將被測(cè)液體引出流量傳感器。這種簡(jiǎn)單的配置允許在液體通過流量傳感器時(shí)準(zhǔn)確測(cè)量液體的流速。

我們將收集數(shù)據(jù)：

• 沒有流量的時(shí)候
• 有流量的時(shí)候
• 有堵塞時(shí)

軟件設(shè)置

要準(zhǔn)備與 Edge Impulse 一起使用的 Seeed Wio 終端，您可以按照官方指南中提供的說明進(jìn)行操作。但是，我們選擇采用另一種方法來收集我們項(xiàng)目中的數(shù)據(jù)。具體來說，我們使用 CSV 文件收集數(shù)據(jù)，然后將其上傳到 Edge Impulse。從那里，我們遵循使用以這種方式收集的數(shù)據(jù)生成 TinyML 模型的通常過程。我們的方法使我們能夠以靈活、便攜的格式收集數(shù)據(jù)，這些數(shù)據(jù)可以輕松傳輸?shù)?Edge Impulse 以進(jìn)行進(jìn)一步分析和模型創(chuàng)建。

1. 數(shù)據(jù)收集

在我們的項(xiàng)目中，我們使用了一個(gè)水流傳感器，它可以產(chǎn)生脈寬調(diào)制 (PWM) 信號(hào)作為輸出。我們沒有直接從傳感器收集模擬值，而是選擇使用基于 PWM 信號(hào)的方程式來計(jì)算流量。然后將該流量數(shù)據(jù)收集為時(shí)間序列數(shù)據(jù)，使我們能夠跟蹤流量隨時(shí)間的變化。我們還收集了三種不同場(chǎng)景的流量數(shù)據(jù)：無流量、正常流量和堵塞。通過我們的分析，我們確定這三種情況會(huì)在我們的模型可以檢測(cè)到的流量數(shù)據(jù)中產(chǎn)生可區(qū)分的模式。

要為您的項(xiàng)目收集數(shù)據(jù)，請(qǐng)執(zhí)行以下步驟：

• 將DataCollection.ino上傳到 Wio 終端。
• 將 Wio 終端插入計(jì)算機(jī)。
• 在計(jì)算機(jī)中運(yùn)行SerialDataCollection.py 。
• 按下按鈕C開始錄音。
• 當(dāng)您有足夠的數(shù)據(jù)時(shí)，再次按下按鈕C停止記錄。
• 停止錄制后，它會(huì)在您的計(jì)算機(jī)上生成一個(gè) CSV 文件。根據(jù)流態(tài)命名。
• 使用“數(shù)據(jù)采集”選項(xiàng)卡將 CSV 文件上傳到 EdgeImpulse 。

將包含流速數(shù)據(jù)的 CSV 文件上傳到 Edge Impulse 后，我們將整個(gè)數(shù)據(jù)集分成 6 秒長(zhǎng)的較小樣本。這個(gè)過程稱為拆分?jǐn)?shù)據(jù)，使我們能夠分析和操作數(shù)據(jù)以創(chuàng)建模型。

通過將數(shù)據(jù)分解成更小的塊，我們可以更輕松地識(shí)別可能與我們的模型相關(guān)的趨勢(shì)和模式。此外，這種方法使我們能夠有效地使用數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，因?yàn)槲覀兛梢愿p松地控制每個(gè)樣本的輸入和輸出。每個(gè)班級(jí)收集的樣本之一如下圖所示。

如上所述將我們的流量數(shù)據(jù)分成更小的樣本后，我們進(jìn)一步將數(shù)據(jù)集分成兩個(gè)不同的子集：訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。此過程稱為數(shù)據(jù)分區(qū)，是模型創(chuàng)建過程中必不可少的步驟。

通過將數(shù)據(jù)分成這兩個(gè)子集，我們可以使用訓(xùn)練數(shù)據(jù)集來教我們的模型識(shí)別模式并進(jìn)行預(yù)測(cè)，而測(cè)試數(shù)據(jù)集則用于評(píng)估模型的準(zhǔn)確性和有效性。通過使用干凈、組織良好的數(shù)據(jù)集，我們可以確信我們的模型正在從高質(zhì)量數(shù)據(jù)中學(xué)習(xí)，并且更有可能產(chǎn)生準(zhǔn)確可靠的結(jié)果。

2. 沖動(dòng)設(shè)計(jì)

脈沖是一種專門的機(jī)器學(xué)習(xí)管道，旨在從原始數(shù)據(jù)中提取有用的信息，并使用它來進(jìn)行預(yù)測(cè)或?qū)π聰?shù)據(jù)進(jìn)行分類。創(chuàng)建脈沖的過程通常涉及三個(gè)主要階段：信號(hào)處理、特征提取和學(xué)習(xí)。

在信號(hào)處理階段，以更適合分析的格式清理和組織原始數(shù)據(jù)。這可能涉及去除噪音或其他無關(guān)信息，還可能涉及以某種方式預(yù)處理數(shù)據(jù)，使其對(duì)流程的下一階段更有用。

接下來，特征提取階段涉及從處理過的數(shù)據(jù)中識(shí)別和提取重要特征或模式。這些特征是學(xué)習(xí)塊將用于分類或預(yù)測(cè)新數(shù)據(jù)的關(guān)鍵信息。

最后，學(xué)習(xí)塊負(fù)責(zé)根據(jù)前一階段提取的特征對(duì)新數(shù)據(jù)進(jìn)行分類或預(yù)測(cè)。這可能涉及在提取的特征上訓(xùn)練機(jī)器學(xué)習(xí)模型，或者可能涉及應(yīng)用一些其他類型的分類或預(yù)測(cè)算法。

在這個(gè)項(xiàng)目中，我們利用機(jī)器學(xué)習(xí)將液體的流速分為三個(gè)不同類別之一。為此，我們使用時(shí)間序列數(shù)據(jù)作為脈沖的輸入塊。這種類型的數(shù)據(jù)包括在一段時(shí)間內(nèi)定期進(jìn)行的一系列測(cè)量，非常適合分析流量數(shù)據(jù)的趨勢(shì)和模式。

對(duì)于處理塊，我們使用原始數(shù)據(jù)，這是直接從流量傳感器收集的未處理數(shù)據(jù)。然后，此數(shù)據(jù)通過處理塊傳遞，在那里以更適合分析的方式對(duì)其進(jìn)行清理和組織。

最后，對(duì)于學(xué)習(xí)塊，我們使用分類器塊。這種類型的算法旨在將數(shù)據(jù)分配給幾個(gè)預(yù)定義類別之一，并且非常適合將流量數(shù)據(jù)分類為三個(gè)類別之一的任務(wù)。通過使用分類作為學(xué)習(xí)塊，我們可以將流量數(shù)據(jù)分為三類之一：無流量、正常流量或堵塞。

在此過程中的這一點(diǎn)上，我們已準(zhǔn)備好移至“原始數(shù)據(jù)”選項(xiàng)卡并開始生成特征。原始數(shù)據(jù)選項(xiàng)卡提供了許多用于操作數(shù)據(jù)的選項(xiàng)，例如更改軸的比例或應(yīng)用各種過濾器。在我們的例子中，我們選擇保留默認(rèn)設(shè)置并直接繼續(xù)生成特征。

為了生成特征，我們將應(yīng)用各種算法和技術(shù)來識(shí)別數(shù)據(jù)中的重要模式和特征。我們沖動(dòng)的學(xué)習(xí)模塊將使用這些特征將流量數(shù)據(jù)分類為三類之一。通過仔細(xì)選擇和提取相關(guān)特征，我們可以創(chuàng)建更準(zhǔn)確、更可靠的流量數(shù)據(jù)分類模型。

分析特征后，我們確定它們分離良好，類之間沒有重疊。這是一個(gè)令人鼓舞的跡象，因?yàn)樗砻魑覀儞碛蟹浅＿m合模型生成的高質(zhì)量數(shù)據(jù)集。

3.模型訓(xùn)練

現(xiàn)在我們已經(jīng)提取并準(zhǔn)備了我們的特征，我們準(zhǔn)備好進(jìn)入分類器選項(xiàng)卡來訓(xùn)練我們的模型。Classifier選項(xiàng)卡提供了幾個(gè)選項(xiàng)來修改我們模型的行為，包括隱藏層中的神經(jīng)元數(shù)量、學(xué)習(xí)率和 epoch 數(shù)量。

通過反復(fù)試驗(yàn)的過程，我們嘗試了不同的參數(shù)組合，直到我們能夠達(dá)到符合我們標(biāo)準(zhǔn)的訓(xùn)練精度。這個(gè)過程涉及調(diào)整隱藏層中的神經(jīng)元數(shù)量、學(xué)習(xí)率和 epoch 數(shù)量等。最終，我們能夠找到一組參數(shù)，從而生成具有所需訓(xùn)練精度的模型，如圖所示。

在以 0.002 的學(xué)習(xí)率對(duì)模型進(jìn)行總共 70 個(gè)周期的訓(xùn)練后，我們能夠生成具有 100% 訓(xùn)練準(zhǔn)確率和 0.03 損失的輸出模型。

這種準(zhǔn)確度非常高，表明我們的模型能夠準(zhǔn)確地將流量數(shù)據(jù)分類為三類之一。此外，低損失值表明我們的模型能夠以高置信度進(jìn)行預(yù)測(cè)，進(jìn)一步提高了結(jié)果的可靠性。

4.模型測(cè)試

在訓(xùn)練和微調(diào)我們的模型以達(dá)到高水平的準(zhǔn)確性之后，我們現(xiàn)在準(zhǔn)備測(cè)試它在一些以前看不見的數(shù)據(jù)上的性能。為此，我們將導(dǎo)航到“模型測(cè)試”選項(xiàng)卡并使用“全部分類”功能來評(píng)估模型的性能。

通過將該模型應(yīng)用于一組新數(shù)據(jù)，我們可以確定它是否能夠準(zhǔn)確預(yù)測(cè)流量模式并將數(shù)據(jù)分為三類之一。如果該模型在此測(cè)試數(shù)據(jù)上表現(xiàn)良好，我們可以確信它將能夠在應(yīng)用于現(xiàn)實(shí)情況時(shí)提供有用且可靠的見解。

運(yùn)行測(cè)試后，我們很高興地看到該模型表現(xiàn)異常出色，準(zhǔn)確地將流量數(shù)據(jù)分類為三個(gè)類別之一，準(zhǔn)確性很高。這些結(jié)果有力地表明我們的模型運(yùn)行良好，能夠?yàn)楣I(yè)管道管理提供有價(jià)值的見解。

5.部署

現(xiàn)在我們已經(jīng)創(chuàng)建并測(cè)試了一個(gè)用于預(yù)測(cè)和分類工業(yè)管道中流速模式的運(yùn)行良好的模型，我們準(zhǔn)備將其部署為Arduino 庫。

為此，我們將導(dǎo)航至“部署”選項(xiàng)卡并按照此處提供的說明為我們的模型構(gòu)建Arduino 庫。

在構(gòu)建庫的過程中，我們可以選擇使用EON 編譯器啟用優(yōu)化。此功能使我們能夠通過優(yōu)化代碼以在設(shè)備上高效執(zhí)行來進(jìn)一步提高模型的性能。雖然這是一個(gè)可選步驟，但它對(duì)于提高模型的速度和效率很有用，特別是如果我們計(jì)劃在資源受限的環(huán)境中使用它。

在完成為我們的模型構(gòu)建 Arduino 庫的過程后，我們將看到一個(gè)包含模型本身的 .zip 文件，以及一些演示如何在各種環(huán)境中使用該模型的示例。要將庫添加到 Arduino 集成開發(fā)環(huán)境 (IDE)，我們只需在 IDE 中導(dǎo)航至Sketch > Include Library > Add.ZIP Library ，然后選擇構(gòu)建過程生成的 .zip 文件。這將安裝庫并使其可用于我們的 Arduino 項(xiàng)目。

static_buffer.ino為了啟用動(dòng)態(tài)推理，我們需要修改位于 Arduino 集成開發(fā)環(huán)境 (IDE) 中的文件。我們可以首先打開 Arduino IDE 并導(dǎo)航到文件 > 示例 > 您的項(xiàng)目名稱 > static_buffer > static_buffer.ino 。

這將static_buffer.ino在編輯器窗口中打開文件，允許我們根據(jù)需要更改代碼。

動(dòng)態(tài)推理涉及在收到新數(shù)據(jù)時(shí)實(shí)時(shí)進(jìn)行預(yù)測(cè)或分類，因此我們需要修改代碼以允許實(shí)時(shí)數(shù)據(jù)處理和預(yù)測(cè)。這可能涉及添加代碼來處理傳入的數(shù)據(jù)流，將機(jī)器學(xué)習(xí)算法應(yīng)用于數(shù)據(jù)，并根據(jù)結(jié)果進(jìn)行預(yù)測(cè)或分類。我們可能還需要對(duì)代碼進(jìn)行其他修改以支持動(dòng)態(tài)推理，具體取決于我們應(yīng)用程序的具體要求。一旦我們對(duì)代碼進(jìn)行了必要的更改，我們就可以保存修改后的文件并使用它對(duì)我們的模型進(jìn)行推理，為工業(yè)管道管理提供有價(jià)值的見解。

?

?

?