中文论文标题: 利用微型机器学习进行音频分类以实现 Muara Karang 发电厂的预测性维护
英文论文标题: Implementation of Audio Classification Using Tiny Machine Learning for Predictive Maintenance in Muara Karang Power Plant
作者信息: Pristian Dwi Putra,UP Muara Karang PLN Nusantara Power Jakarta, Indonesia,电子邮件:pristian.dwi@plnnusantarapower.co.id
论文出处: 2024 International Conference on Technology and Policy in Energy and Electric Power (ICTPEP)
摘要: 本文探讨了在雅加达的 Muara Karang 发电厂区块1中,PLN Nusantara Power 拥有的设施面临的运营复杂性增加,需要一个高效的监控系统。作为 PLN Nusantara Power 数字化计划的一部分,本研究探索了微型机器学习(TinyML)和边缘人工智能(EdgeAI)技术的应用,以提高操作效率和可靠性。这些技术利用音频传感器进行实时异常检测和发电设备的预测性维护。系统在 Muara Karang 发电厂区块1的H2厂区实施,使用连接到音频传感器的 Wio Terminal 硬件平台。数据通过 Edge-Impulse 平台处理,以在边缘训练机器学习模型,然后通过 MQTT 传输到 Node-RED 进行进一步处理。处理后的数据存储在 MySQL 中,用于长期分析,并在 Grafana 仪表板上显示。预计 TinyML 技术将改善设备管理和维护,提高操作效率,并降低停机风险。本研究采用 MelFilterbank Energy(MFE)方法和神经网络分类器,实现了100%的准确率和低 RAM 消耗(19.7 KB)。Wio Terminal 的数据可以通过 Node-RED 存储在 MySQL 中,显示在 Grafana 仪表板上,并发送到 WhatsApp 进行警报和通知。本研究强调了 TinyML 在增强发电厂监控系统方面的潜力,并建议进一步探索其更广泛的应用。
引言: Muara Karang 区块1 发电厂在雅加达由 PLN Nusantara Power 管理,面临日益增加的复杂性,需要一个有效的监控系统。作为 PLN Nusantara Power 数字化计划的一部分,迫切需要采用先进技术来提高工厂运营的效率和可靠性。尽管复杂性日益增加,但很少有研究探讨利用边缘人工智能和微型机器学习技术进行实时异常检测和发电厂的预测性维护。
设计方法:
- 边缘人工智能和微型机器学习:边缘人工智能是在网络边缘的设备或传感器上本地分析和处理数据的人工智能。这种方法与将数据发送到中心数据中心进行分析的传统数据处理不同。
- 音频传感器及其在设备监控中的使用:音频传感器用于检测和测量环境中的音频波。这种传感器通过将音频波转换为可测量的电信号来工作。
- Edge-Impulse:Edge-Impulse 是一个在网络边缘的人工智能开发平台,使开发人员能够在微控制器和传感器设备上训练、部署和优化机器学习模型。
提出的方法: 在本实施中,使用 Wio Terminal 作为硬件来记录音频数据。记录的音频数据将使用 Edge Impulse 进行处理,以训练机器学习模型。模型训练完成后,将部署回 Wio Terminal 以执行实时音频分析。
结果和讨论:
- 数据预处理和学习过程的结果:通过比较几种模型的结果,发现使用 Mel-Filterbank Energy(MFE)方法和神经网络分类器进行建模是最优化的,因为它具有最高的准确率(100%)和低 RAM 消耗(19.7 KB)。
- 部署到 Wio Terminal 的结果:在从 Edge-Impulse 获得模型后,下一步是将模型导出并部署回使用 Arduino IDE 的 Wio Terminal。
- Node-Red 配置结果:在从 Wio Terminal 程序获得结果后,使用 PLN Nusantara Power 代理将 Wio Terminal 通过 MQTT 连接到数据库,并通过 Node-Red 进行。
- MySQL 配置结果:MySQL 通过 Node-Red 接收来自 Wio Terminal 的数据,该数据每2秒发送一次。
- Grafana 仪表板显示:Grafana 显示来自 Wio Terminal 的数据,可以由连接到 PLN Nusantara Power 内网线的所有设备访问。
- 显示结果和 WhatsApp 通知:如果 Class A 或 Class Abnormal 的值在五分钟内大于 0.6,则会向 WhatsApp 发送通知。
结论: 本研究展示了微型机器学习(TinyML)在监控 Jakarta Muara Karang 发电厂区块1的设备中的有效应用。使用带有音频传感器的 Wio Terminal 硬件,并利用 Mel-Filterbank Energy(MFE)方法和神经网络分类器,系统实现了100%的准确率和低 RAM 消耗(19.7 KB),通过实时异常检测和预测性维护显著提高了操作效率和可靠性,数据在 Grafana 仪表板上可视化,通过 Node-RED 存储在 MySQL 数据库中,并作为 WhatsApp 通知发送。尽管研究结果令人鼓舞,但它们特定于这个发电厂,并且专注于音频数据,表明未来的研究应该探索更广泛的应用和额外的数据类型。这项研究对于展示像 TinyML 这样的先进技术如何优化发电厂运营至关重要,有潜力在全行业更广泛地采用,以提高效率和减少停机时间。