Skip to main content

供應鏈

個案研究:NASCAR 引擎與 AI 和 ML 一同奔馳

物聯網,工業4.0,人工智能,深度學習

在 NASCAR 賽車世界中,分秒必爭。不只比賽分秒必爭,高效能引擎的開發與測試也不例外。

思考工業資產維護應用所需要的精確度時,不妨向 NASCAR 工程師借鏡。對於為這類應用提供服務的製造商與系統整合商(SI)來說,將昂貴機器的操作與維護自動化,不僅能大幅提高生產力,還能大量縮短工廠的停機時間。

NASCAR 針對合法賽車引擎的尺寸與規格制定嚴格的規定。儘管如此,為了在發力區域、扭力等方面締造些許優勢,幾乎每具引擎都是從頭打造。這項工程講求時間與資源,一具引擎動輒要價 250,000 美元。

有鑑於費用高昂,加上引擎故障的危險不容小覷,NASCAR 團隊在引擎上賽道前無不竭盡全力測試。測試工程師為了偵查零件退化、微小的結構損壞,以及其他可能的故障原因,會盡量讓這些系統展現物理極限。

借助這種「鑑識證據」,賽車團隊能夠了解如何運作引擎最能減少故障,並在必要時採用更耐用的零件重新打造部分引擎。然而,為了擷取這類資料,意味著必須以毫秒之差搶在災難性故障發生前停止測試程序。

多年來,這類程序幾乎完全仰賴人工。不過,有個賽車團隊正在利用 IoT 邊緣演算擷取資料、分析資料,並盡可能在最後一刻結束測試,助測試工程師一臂之力。

真實世界模擬

這個團隊採用某個名為動力計或測力計的系統測試引擎。動力計會同時測量引擎 RPM 和扭力,深入分析引擎的動力、引擎管理控制器的校準,或就此案例來說,則是燃燒行為(影片 1)。

影片 1。使用測力計計算大致效能。(資料來源:Hubner Enterprises

1000 匹馬力的電動馬達連接至引擎與測力計測試台。這個馬達可用於運轉整具引擎,也可以在閥門組件這類元件執行個別單元測試。

接著便可用取自 Daytona 500 這類比賽的真實世界遙測資料來控制測試。又或者,可以在某段期間將 RPM 調高、調低或設定在某個預先定義的層級,讓引擎或零件運轉到極限。

充分測試電池後,賽車團隊的工程師往往會刻意將引擎測試到毀壞邊緣。針對燃燒行為及其產生的鑑識證據進行測試時,測試台會置於附防彈玻璃的爆炸室中,以免工程師在引擎爆炸時受傷。

在傳統測試環境中,技術高超的工程師會監控這些數位樣本,同時傾聽引擎噪音的細微變化,因為這可能代表即將爆炸。測試工程師通常只有 1.5 秒的時間能識別並回應這類變化,也就是按下停止開關,避免引擎毀於一旦。

測試中的引擎若依舊保持原樣,工程師便可解構引擎、尋找證據並嘗試修正問題。如果他們無法及時停下引擎,這類資訊絕大多數將付之一炬。

AI 與 ML 自動化

自動化狀態監測 (CM) 因為能即時蒐集並分析龐大的資料,因此在這類情況下最能發揮效用。CM 系統會混合各種來源的測試台資料,例如流量、壓力、溫度、振動和聲響感應器。此外,系統只要清除噪音或插入缺少的數值,也可以清除感應器資料。

不過,NASCAR 工程師這類領域專家使用自動化的 CM 系統開發人工智慧 (AI) 和機器學習模型時,情況就更有意思了。這類模型經過訓練,能夠了解感應器讀數在機器性能及潛在故障方面的預測。如果符合若干因素,CM 系統便能以更準確一致的方式警告工程師,進而立即關閉引擎或甚至是觸發自動化的關閉開關。

為了協助測試程序自動化,NASCAR 工程師需要高效能的平台。不過,最終解決方案必須精簡耐用,才能在車庫環境中完好如初。

該團隊選用 ADLINK Technology 出品的 MCM-100 Machine Condition Monitoring Edge Platform (圖 1)。這套系統不僅符合團隊嚴苛的環境要求,且能在一小時內於賽車團隊車庫安裝妥當並開始採樣資料。

MCM 結合了智慧型攝影機和 ADLINK Edge 軟體,團隊得以運用機器學習並可靠地診斷問題、瞭解失效模式,進而避免引擎受損。舉例來說,解決方案讓裝置得以從監測振動與音洩的裝置和感測器,以即時安全的方式串流資料。接著資料會在邊緣彙整。

MCM-100 狀態監測硬體箱的圖片。
圖 1. MCM-100 機器狀態監控邊緣平台。(資料來源:ADLINK Technology, Inc.

它搭載 Intel Atom® x7-E3950 處理器,支援四個通道的 24 位元 128 kS/s 同步資料採樣,符合機器振動測量的規格。它提供了邊緣式的資料擷取、分析及特定領域演算法的執行,可即時監控引擎測試台。

在全新的設置中,乙太網路纜線從爆炸室的測試台拉出來、接上另一個系統,然後連接到 MCM-100。這個中間系統也連接賽車團隊的 Wi-Fi 網路,如此一來便能將測試資料匯入雲端以供儲存及回顧分析之用。

不過真實的數值位於邊緣,在邊緣即時產生和分析資料,能加快分析與行動速度。預先安裝於 MCM-100 的 ADLINK Edge 軟體是實現這項成果的推手。

在 MCM-100 之前,團隊監控感應器使用的是 SCADA 系統。不過舊設備絲毫沒有拆卸和汰換的必要。ADLINK Edge 軟體會整合現有和新裝置的資料。這套系統採用資料分散式服務 (DDS) 網路中介軟體,有助於釋放互不相通架構中的資料,這樣一來資料就能即時用於高效引擎測試這類的應用程式。

工欲善其事,必先利其器

請注意,本文介紹的解決方案無法取代測試工程師,反倒是得仰賴工程師的專業知識才能獲得最佳結果。因此,這套系統可偵測警告信號,並且以勝過人類的速度回應,進而協助保護投資,將更優異的引擎推向賽道。

ADLINK 全球事業夥伴的現場技術長 Joe Speed 表示:「我們的工作主要著眼於增強人類的能力,帶給他們更強大的工具。」

另外,這些工具還能拓展系統整合商的業務。有了 MCM-100 這類解決方案,精明的系統整合商便能用「機器維護即服務」的商業模式,透過新方式接洽客戶,並且拉長接洽期間。

提高解決方案集合商可締造的價值,包括物聯網教育、技術本身,以及可靠的合作夥伴網路,而系統整合商則可獲得充分利用此等重要商機所需要的一切資源。

以這個 NASCAR 賽車團隊來說,結合領域專家、AI 和機器學習,有助於引擎創造前所未見的速度。這個作法也有助於系統整合商成為贏家。

作者簡介

Clive "Max" Maxfield received his BSc in Control Engineering in 1980 from Sheffield Hallam University, England and began his career as a designer of central processing units (CPUs) for mainframe computers. Over the years, Max has designed everything from silicon chips to circuit boards, and from brainwave amplifiers to Steampunk Prognostication Engines (don't ask). Max is the author and/or co-author of a number of books, including Designus Maximus Unleashed (banned in Alabama), Bebop to the Boolean Boogie (An Unconventional Guide to Electronics), EDA: Where Electronics Begins, FPGAs: Instant Access, and How Computers Do Math.

Profile Photo of Max Maxfield