芯文芯事丨瑞萨e-AI异常预断，助力实现智能制造系统

计算机中已经安装了机器手臂的正常运动波形的学习模型，AI单元对采集到的实时波形和正常波形数据进行比较判断，从而检测出机器运动中的任何异常。

AI单元具有多个输入和输出，它可以用于预先判断的数据处理（预处理），例如使用多个传感器进行感应，并通过其采集的触发信号进行波形生成。

在本演示中，机械手臂的运动波形并不是整个运动过程都会显示，只有当机械手臂放置物体的过程中，才会记录并显示其振动波形，这是通过一个钳位传感器来检测触发实现的。

如上图所示，该演示应用中通过一个电机分别联动3个不同的齿轮转动，其中有一个是正常齿轮，另外两个是有缺陷的齿轮，通过AI单元来判断并识别出其中的2个缺陷齿轮，同样在PC上位机软件上面进行显示信息，并且可以在软件中根据自定义设置，来优化整个异常判断系统。

演示应用首先会通过振动传感器来采集齿轮运动的振动信号，将信号传输给AI单元，并深度学习框架来自我学习正常齿轮转动的运动模型，模型一旦生成好之后，就可以用来检测其他有缺陷的齿轮运动，从而识别出缺陷齿轮。

在这里，我们将正常的齿轮联动电机转动，有缺陷的2个齿轮先放置在电机驱动齿轮箱内以便之后使用，正常齿轮转动后将振动传感器连接到AI单元并记录正常齿轮的振动波形。

通过学习框架，AI单元学习并记录振动的波形。在上位机软件中，可以设置需要学习的波形时间段，来执行传感器输入的滤波处理和FFT处理等，并且能使用PC上的工具修改这些过程的各种设置。

齿轮的运动模型的自我学习是在PC上位机软件上完成，因为由于需要大量的计算而无法在微控制器上完成。如果用户能够创建经验丰富的人工智能模型，它可以转换为AI参数，通过使用e-AI转换器将应用代码下载到AI单元中，并在微控制器中执行。

将参数写入到AI单元完成后，通过使用工具并判断振动传感器的波形，将波形数据与正常齿轮运行模型数据进行比对，如果齿轮没有损坏，则判断它们为“正常”，如果切换到有缺陷的齿轮，则判断它们为“异常”。