[ad_1]
Las máquinas se desarrollan para reducir el esfuerzo humano, al igual que la inteligencia artificial, que, en combinación con las máquinas, reduce el esfuerzo y decide cuándo aplicarlo. El ámbito de la toma de decisiones, que antes era una habilidad humana, ahora se ha trasladado a las máquinas. El siguiente proyecto detecta de forma independiente cuando una enorme caja de cambios tiene fugas y luego, dependiendo del tipo de fuga, activa una alarma o detiene la máquina.
Antecedentes del proyecto
La instalación de manipulación de carbón [CHP] El sistema responsable de alimentar entre 60.000 y 70.000 toneladas diarias de carbón a las calderas de la central térmica de 5.000 MW, la mayor central de la India, consta de una gran red de múltiples transportadores, tolvas de carbón, silos y cuatro tolvas para camiones. Para mantener este laberinto de sistemas de transporte, además de toneladas de grasa, se necesitan cada año varios miles de litros de aceite lubricante y de engranajes. ¡Todos los días, por diversas razones, un equipo se avería o una cinta transportadora se avería! Soy responsable de este gigante y tengo varios gerentes, altos directivos y supervisores para ayudarme. ¡Pero ya es suficiente!
La Cruz El problema es el propio carbón: el carbón indio tiene un bajo poder calorífico [average 3150 ~ 00 Kcal / kg], excepto que es difícil. Como resultado, es necesario transportar, triturar y quemar grandes cantidades de carbón para que estas calderas funcionen a plena carga. El contenido de cenizas del 40% y el contenido de azufre de aproximadamente el 1% son los principales agentes de erosión y corrosión que causan estragos en todas las máquinas que procesan este carbón.
Gestión de la corrosión Será más fácil si podemos controlar los derrames y fugas de carbón. El carbón se derrama de las cintas transportadoras y cae sobre suelos, cintas transportadoras de retorno, maquinaria, cajas de cambios, embragues hidráulicos, etc. Mientras tanto, el carbón se transfiere de una cinta transportadora a otra cinta transportadora. [we call it transfer points – TP ] Se desliza sobre los portaobjetos, lo erosiona por su dureza y el azufre lo corroe. Con el tiempo, las paredes del TP se vuelven más delgadas y tienen fugas, y el carbono cae por todas partes. Sin mencionar que una cinta transportadora no se detiene a tiempo. [when situation warrants like stoppage of the leading conveyor…] desbordaría los TP, lo que provocaría un gran derrame. En definitiva, el carbón está en todas partes…
El fino polvo de carbón penetra en todos los espacios finos, incluidos engranajes, cojinetes y acoplamientos, y finalmente comienza la fuga de aceite. Debido a que el aceite es más incoloro, se requiere un monitoreo continuo para identificar las piezas con fugas.
El número también cuenta: Más de 90 cintas transportadoras, 65 TP es demasiado para tenerlos todos a la vez…
A continuación se muestra una caja de cambios típica de un transportador. No es más que un enorme engranaje reductor. Reduzca la velocidad del motor de 1450 rpm a aproximadamente 50 rpm del potente eje impulsado por la cinta transportadora. A medida que disminuye la velocidad, aumenta el par, lo que contribuye al funcionamiento del transportador. La caja de cambios consta de tres ejes giratorios, cada uno de los cuales engrana con un engranaje. Todos los engranajes están sumergidos en aceite. Hay 3 tapas de extremo a cada lado de la caja de cambios. Estas tapas finales [6 nos] son fuentes importantes de fugas. La fuga puede ocurrir en todas las direcciones de las posiciones de los pernos. [top, bottom, sides]. Sin embargo, cuando la transmisión está bajo presión, el aceite puede salir en forma de chorro de los pernos de la tapa del extremo.
Nuestro proyecto es identificar las fugas de petróleo. [not oil leak in jet form] de los tornillos de la tapa del extremo.
Impulso de borde: Si conoces edgeimpulse.com, créeme, ¡la mitad de tu trabajo ya está hecho! Por lo demás, todo lo que necesita hacer es ajustar su modelo para ajustarlo a un nivel aceptable de rendimiento. ¡El modelo de IA por computadora funciona como un niño! Imagínate cómo aprendiste “A de manzana” y “B de pelota”. Te mostraron la manzana desde diferentes ángulos y luego te enseñaron a llamarla manzana. Lo mismo se aplica a «Bola». ¡Ahora un niño puede identificar una manzana y una pelota desde todos los ángulos posibles con bastante facilidad! Esto también se aplica a la IA para identificarlos fácilmente.
¡Diferencia entre conocimiento y sabiduría!
Ahora imagina que hay una canasta con lo que parecen ser pelotas del tamaño de una manzana y manzanas del tamaño de una pelota mezcladas, y desde el punto de vista todas parecen iguales… ¿qué harías cuando eras niño? Con tu único conocimiento de Apple y Ball, ¡te lo perderías! La IA también se lo perdería. Pero teniendo en cuenta que la cesta de frutas la muestra un vendedor de verduras, ¡lo más probable es que tampoco lo sea una pelota! ¡Y algunas o todas podrían ser manzanas! El truco Asociar una manzana con un vendedor de verduras se llama sabiduría lo cual no se puede esperar de un niño o de una IA a menos que se le enseñe explícitamente lo contrario. Sin embargo, a lo largo de los años, los humanos hemos aprendido muchos más conocimientos relacionados, lo que eventualmente nos da suficiente sabiduría para asociar una manzana con un vendedor de verduras.
Sin embargo, la IA está mejorando con bastante rapidez. La IA reconoce la diferencia óptica entre una pelota y una manzana incluso antes de que el ojo humano la encuentre y la determine. En Edgeimpulse hay muchos modelos diferentes con diferentes funciones disponibles para que pruebes y experimentes.
Por ello, es mejor enseñar el modelo de la manzana y la bola desde todos los ángulos posibles para ejecutarlos sin ningún tipo de confusión. [like the texture profile of an apple, it’s stem, it’s creases on its body, look from top, bottom vis-a-vis uniform & isometric view of a ball etc.]
Sin embargo, la IA está mejorando tan rápidamente que algún día tendrá sabiduría con la que trabajar…
El proyecto
Primero, abra una cuenta en edgeimpulse.com, que requiere una identificación de correo electrónico. Reúna un puñado de números de tipos de claves similares. Si abre el sitio desde una computadora Raspberry Pi, use la cámara de la computadora Raspberry Pi [either USB connected or cam port connected] Puedes recopilar imágenes de botones desde diferentes ángulos. [which is required while the model is deployed in real working field]. Edge Impulse brinda la posibilidad de conectar su teléfono móvil, computadora portátil, etc. como dispositivo de entrada para la recopilación de datos, lo que también es más conveniente para la recopilación de datos en proyectos Edge Impulse.
El proyecto Edge Impulse se divide aproximadamente en los siguientes pasos:
- Recopilación de datos: pueden ser imágenes, sonido, temperaturas, distancias, etc. Parte de estos datos se separan como datos de prueba, mientras que todos los demás datos se utilizan como datos del tren.
- Diseño de Impulso – esto se divide en Crear Impulso – dividido por
- Parámetros de entrada – imagen [ width, heigh]sonido [sound parameter]
- Bloque de procesamiento: cómo procesar los datos de entrada
- Bloque de aprendizaje – [object data of this model]
- Procesamiento de imágenes: genere características de las imágenes recopiladas
- Detección de objetos: seleccione su modelo de red neuronal y entrene el modelo.
En la última parte, la parte de detección de objetos requiere su experiencia, o preferiría llamarla, intente prueba y error para que la precisión del modelo alcance el 85% o más. Hay bastantes modelos que puedes probar para comprobar la precisión del modelo. Cualquier valor superior al 90% es excelente, ¡pero ciertamente no debería ser 100% exacto! Si este es el caso, hay algún problema con sus datos: puede que haya muy pocos datos o que no haya suficientes funciones. ¡Comprueba el caso nuevamente y vuelve a intentarlo!
Para este proyecto, la primera puntuación de F1 fue un pésimo 37 %, eliminamos los valores atípicos y la puntuación de F1 mejoró al 52 %. Sabíamos que nuestra colección de muestras no era perfecta. Tuvimos que tomar instantáneas en paralelo a la caja de cambios y nuestra puntuación mejoró al 67%. Eliminamos más valores atípicos y redujimos el área de la imagen de 200×200 a 190×190 píxeles y mejoramos la precisión o puntuación F1 al 87%.
Prueba de modelo
Primero puede probar su modelo utilizando los datos de prueba. En la misma ventana, vaya a la página de implementación y luego vea el resultado de la clasificación. Para ver cómo funciona en dispositivos móviles, simplemente busque la imagen escaneada en la página del proyecto de Edgeimpulse. Luego apunte su dispositivo a la imagen escaneada. Se obtendrá el permiso de su cámara y luego podrá verificarlo en el sitio.
En el panel de la página de apertura de Edge Impulse, esta función está disponible. Puede escanear la imagen en su teléfono móvil y luego ejecutar el modelo allí, o ejecutarlo directamente en el navegador. Los datos se recogen
Recopilación de datos
Implementación de Raspberry Pi: Para ejecutar el modelo en una computadora Raspberry Pi, debe descargar el archivo *.eim a una computadora Raspberry Pi. Pero diferente a otro hardware [Arduino, Nicla Vision, ESP32 where you can download directly] En el caso de una Raspberry Pi, primero debe instalar Edge Impulse en la computadora Raspberry Pi. Desde el software demonio Edge Impulse, debe descargar este archivo. Pero no te preocupes, Edgeimpulse ha dedicado una página completa a instalar Edgeimpulse en Raspberry Pi. Mire aquí, es bastante simple.
Bien, has instalado Edgempulse en la computadora Raspberry Pi. Ahora comienza la diversión. Correr
Ejecutor de Linux Edge Impulse [Remember to keep the Internet on for Raspberry Pi now] Desde cualquier terminal del ordenador Raspberry Pi, podrás verlo conectándose a tu página Edge Pulse [run edge-impulse-linux-runner –clean to switch projects]. Este comando compila y descarga automáticamente el modelo de IA de su proyecto y luego comienza a ejecutarlo en su computadora Raspberry Pi. [see command] Apunte la cámara a la caja de cambios en el sitio y vea el resultado..
Implementar modelo en Python
Bien, hasta ahora todo bien. En la implementación anterior, funcionaría según lo previsto en el modelo de impulso de borde. Para que funcione para su propósito específico, p. Por ejemplo, si desea hacer sonar una alarma audible u operar un relé cuando se detecta una fuga, ¡necesita encontrar otras opciones! Aquí viene Python3 para ayudarte. Linux-sdk-python ahora debe estar instalado en su computadora o en una computadora Raspberry Pi.
SDK de impulso de borde [Short form for Software Development Kit] está disponible para muchos modelos: Python, Node.js, C++, etc. Es un OSS y, por lo tanto, se puede instalar en cualquier lugar. Este enlace lo llevará a la página del SDK de Python.
Una vez que Linux SDK Python esté instalado, vaya al directorio linux-sdk-python/examples/image y ejecute el archivo Python de identificación de imagen. No te confundas. En el directorio de muestra, hay tres subdirectorios: uno para datos de audio, uno para datos de imagen y uno para datos personalizados. El archivo de clasificación de video para datos de entrada de video también está disponible en el directorio de imágenes. El directorio personalizado se utiliza para personalizar otros tipos de datos. [ For experts area only!].
$> python3 classify-image.py /home/bera/downloads/model.eim # El archivo del modelo *.eim debe cargarse desde el directorio correspondiente de su ubicación. ¡Para que no puedas copiarlo también al directorio SDK!
Por lo tanto, debe cargar el archivo Python con el archivo model.eim que descargó. El programa encuentra el módulo de la cámara automáticamente. [USB connected or Cam-Port connected] ¡Y empezará a correr! Se abrirá una pequeña ventana de cámara de 190×190 y el identificador en la esquina superior izquierda será claramente visible como lkg o nlkg.
secuelas
Al momento de escribir este artículo, aún no hemos terminado. Más bien, añadimos otra dimensión a la filosofía de las fugas. Hasta el momento sólo se han identificado fugas en la tapa de la brida. Ahora puede haber una fuga en la brida en forma de chorro de un tornillo aflojado que puede escapar en todo tipo de direcciones lejos de la brida. [top , bottom, sides etc.] ¡Por muchas razones, esto sólo sucede cuando la transmisión está bajo presión!
Adjunto: Enlace para ejecutar el proyecto.
[ad_2]