No cenário industrial contemporâneo, onde a otimização dos processos é uma exigência, o Arduino Opta WiFi emerge como uma solução inovadora para aprimorar a automação industrial e predial. Desenvolvido em colaboração com a Finder, líder em dispositivos de automação, o Arduino Opta combina a facilidade de uso do ecossistema Arduino com capacidades avançadas de IoT industrial.
Ao longo do texto, detalhamos a implementação passo a passo, desde a escolha dos componentes até a configuração do software. Exploramos como o Arduino Opta WiFi, em conjunto com o Edge Impulse, cria uma solução robusta para a detecção de anomalias, e como os dados podem ser facilmente monitorados em tempo real através da Arduino Cloud.
Conheça o Arduino Opta WiFi
O Arduino Opta é um micro PLC seguro e fácil de usar, com capacidades de IoT industrial. Desenvolvido em parceria com a Finder, líder em dispositivos de automação industrial e predial, o Opta permite que profissionais ampliem projetos de automação enquanto aproveitam o ecossistema Arduino. Com suporte para as linguagens de programação Arduino Sketch e linguagens padrão de PLC, incluindo LD (Ladder Logic Diagram) e FBD (Function Block Diagram), foi projetado pensando nos engenheiros de PLC.
Seu poderoso MCU STM32H747XI dual-core Cortex®-M7 + M4 permite que os usuários realizem controle em tempo real, monitoramento e implementem aplicações de manutenção preditiva.
Seguro e durável por design, oferece suporte a atualizações de firmware OTA e garante a segurança dos dados desde o hardware até a nuvem, graças ao elemento seguro embarcado e conformidade com o padrão X.509.
Tudo isso mantendo a facilidade de implementação característica do Arduino Pro na produção, graças a uma ampla variedade de bibliotecas de software prontamente disponíveis e esboços Arduino.
Por último, mas não menos importante, várias opções de conectividade tornam simples manter tudo sob controle por meio de painéis em tempo real combinados com a intuitiva Arduino Cloud (ou serviços de terceiros).
Desafio: Detecção de Anomalias no Monitoramento de Energia com Arduino Opta WiFi
A otimização dos processos de fabricação é uma exigência em qualquer setor nos dias de hoje, sendo o consumo de eletricidade uma preocupação significativa devido aos custos crescentes e à instabilidade. Analisar o uso de energia tornou-se uma necessidade generalizada, que também pode levar à identificação precoce de anomalias e manutenção preditiva – duas atividades importantes para minimizar períodos imprevistos de inatividade e custos de reparo.
Em particular, essa abordagem pode ser aplicada a motores DC: utilizados em uma ampla gama de aplicações, desde eletrodomésticos pequenos até equipamentos industriais pesados, esses motores são componentes críticos que exigem manutenção regular para garantir desempenho e longevidade ótimos. Infelizmente, práticas tradicionais de manutenção baseadas em cronogramas fixos ou reparos reativos podem ser demoradas, caras e pouco confiáveis.
É aí que entra a detecção de anomalias com base no monitoramento de energia: ela pode oferecer uma solução crucial para a detecção precoce de problemas potenciais e mau funcionamento antes que possam causar danos significativos ao motor.
Essa abordagem mais proativa para a manutenção monitora continuamente o consumo de energia do motor e analisa os dados para identificar quaisquer desvios das condições normais de operação. Ao rastrear padrões de uso de energia ao longo do tempo, o sistema pode detectar sinais de alerta precoce de problemas potenciais, como desgaste excessivo, desequilíbrios ou desalinhamentos, e alertar a equipe de manutenção para tomar medidas corretivas antes que o problema se agrave.
Utilizando o Arduino Opta WiFi para Monitoramento de Motor DC
Esta solução alimentada por Arduino implementa um sistema de detecção de anomalias baseado no monitoramento de energia usando um sensor de corrente e modelos de aprendizado de máquina executados em dispositivos de borda. Ao capturar a eletricidade fluindo dentro e fora de uma máquina, ela pode coletar grandes quantidades de dados sobre padrões de uso de energia ao longo do tempo.
Esses dados são então usados para treinar um modelo de aprendizado de máquina capaz de identificar anomalias nos comportamentos de consumo de energia e alertar os operadores sobre possíveis problemas. A solução oferece um método eficaz e escalável para manter a saúde dos equipamentos, maximizando a eficiência energética e reduzindo o tempo de inatividade e os custos de manutenção.
Análise de Assinatura de Corrente do Motor (MCSA)
Nesta aplicação, é utilizada uma técnica chamada Análise de Assinatura de Corrente do Motor (MCSA). A MCSA envolve monitorar a assinatura elétrica da corrente do motor ao longo do tempo para detectar quaisquer anomalias que possam indicar problemas ou falhas potenciais. Para adquirir dados em tempo real, um sensor de corrente de efeito Hall é conectado em série com a linha de alimentação do motor DC.
Os dados são então analisados usando algoritmos de aprendizado de máquina para identificar padrões e tendências que possam indicar uma operação defeituosa do motor. A MCSA pode ser usada para detectar uma série de problemas, como desgaste de rolamentos, dobras de barras do rotor ou até curtos-circuitos entre espiras.
Dependendo das dimensões do motor, é recomendável o uso de um sensor de corrente estilo grampo não invasivo – também conhecido como transformador de corrente de núcleo dividido – se um maior consumo de corrente for esperado.
Edge ML
Para monitorar a flutuação de corrente e executar o modelo de detecção de anomalias de aprendizado de máquina, a solução utiliza um Arduino Opta WiFi.
O Arduino Opta WiFi trabalha tanto com entradas e saídas analógicas quanto digitais, permitindo interação com uma variedade de sensores e atuadores. Ele também possui uma porta Ethernet, uma interface de conectividade RS485 de meia-duplex e conectividade WiFi/Bluetooth® Low Energy, tornando-o ideal para aplicações industriais de retrofitting.
Para treinar o modelo de detecção de anomalias, o projeto aproveita a plataforma Edge Impulse: integrada ao ecossistema Arduino, facilita o desenvolvimento, treinamento e implantação de modelos de aprendizado de máquina em dispositivos Arduino.
Conectividade
Uma vez que o modelo de aprendizado de máquina foi implantado com sucesso no Arduino Opta, os resultados da detecção de anomalias foram encaminhados via WiFi para o Arduino IoT Cloud. Isso permite o monitoramento e análise fáceis dos dados de vários nós de sensores em tempo real.
Resolvendo com Arduino Pro
Vamos ver como podemos reunir tudo isso e quais soluções de hardware e software seriam necessárias para a implementação. O ecossistema Arduino Pro é a versão mais recente das soluções Arduino, oferecendo aos usuários os benefícios da integração fácil junto com uma variedade de serviços escaláveis, seguros e profissionalmente suportados.
Requisitos de Hardware:
- Arduino Opta WiFi PRO
- Sensor de corrente DC
- Case de proteção
Requisitos de Software:
A Arduino IDE 2.0 foi usada para programar o Arduino Opta WiFi em C/C++. Para treinar o modelo Edge Impulse, os dados foram coletados do sensor de corrente para duas classes: Operação Normal e Máquina Desligada.
A técnica de Análise de Assinatura de Corrente do Motor (MCSA) foi implementada extraindo as características de frequência e potência do sinal por meio de um bloco de Análise Espectral. Além disso, um bloco de detecção de anomalias foi incorporado para identificar quaisquer padrões anormais nos dados.
Aqui está uma captura de tela de um painel criado diretamente na Arduino Cloud, mostrando dados recebidos dos nós de sensores:
Aqui está uma visão geral da pilha de software e como uma implantação mínima com um módulo de hardware de cada se comunica para cumprir a solução proposta:
Conclusão
Através da implementação de um sistema de manutenção preditiva em um PLC Arduino Opta WiFi, usando modelos de ML Edge Impulse e a Arduino Cloud, esta solução demonstra o poderoso potencial das tecnologias IoT em aplicações industriais.
Com o uso de sensores de corrente e modelos de detecção de anomalias impulsionados por IA, o sistema permite monitoramento em tempo real e detecção de falhas de motores DC, fornecendo insights valiosos para a manutenção preditiva.
A flexibilidade e escalabilidade da plataforma Arduino Opta WiFi a tornam uma solução robusta e econômica para implementar sistemas de manutenção preditiva em vários processos industriais. Em resumo, o projeto destaca as vantagens significativas que MCSA e aprendizado de máquina podem oferecer na promoção da eficiência, produtividade e economia de custos para processos industriais.
Este post é uma tradução adaptada do artigo escrito pelo time Arduino. O artigo original pode ser encontrado aqui.
