Detekce anomálií vzduchotechnických systémů na mikrokontroléru

Abstract

Tato diplomová práce se zabývá detekcí anomálií vzduchotechnických systémů na mikrokontroléru se zaměřením na axiální ventilátor poháněný synchronním motorem s permanentními magnety (PMSM). Řešení vychází z interních veličin dostupných v~řídicí struktuře bezsenzorového řízení motoru a~zkoumá jejich využitelnost pro diagnostiku provozních odchylek a~poruchových stavů. V~praktické části byl realizován sběr dat z laboratorního pracoviště s PMSM motorem a~axiálním ventilátorem pro několik provozních stavů odpovídajících normálnímu chodu i vybraným zatíženým nebo poruchovým stavům. Naměřená data byla následně analyzována v~časové a~frekvenční oblasti, přičemž důraz byl kladen na identifikaci diagnosticky významných změn v~interních elektrických veličinách pohonu. Pro frekvenční posouzení byla využita také metoda Motor Current Signature Analysis (MCSA). Pro detekci anomálií byly navrženy a~natrénovány modely strojového učení jak s využitím nástroje NXP eIQ Time Series Studio, tak pomocí vlastního řešení implementovaného v~jazyce Python. Vybrané modely byly následně exportovány do jazyka C, integrovány do firmware řídicí aplikace a~testovány přímo na mikrokontroléru při běhu systému. Součástí práce bylo také vytvoření grafické vizualizace výstupů modelu pro ladění a~sledování jeho chování během testování. Výsledky ukázaly, že interní veličiny bezsenzorově řízeného PMSM pohonu nesou dostatečnou diagnostickou informaci pro rozlišení normálního a~anomálního provozu ventilátoru a~že navržené modely lze provozovat přímo na mikrokontroléru.

This diploma thesis deals with anomaly detection in air handling systems on a~microcontroller, with a~focus on an~axial fan driven by a~permanent magnet synchronous motor (PMSM). The~proposed approach is based on internal variables available in the~sensorless motor control structure and examines their suitability for diagnosing operating deviations and fault conditions. In the~practical part, data acquisition was carried out on a~laboratory setup consisting of a~PMSM motor and an~axial fan under several operating conditions representing normal operation as well as selected loaded or faulty states. The~measured data were subsequently analyzed in both the~time and~frequency domains, with emphasis on identifying diagnostically significant changes in the~internal electrical variables of the~drive. Motor Current Signature Analysis (MCSA) was also used for frequency-domain assessment. For anomaly detection, machine learning models were designed and~trained using both the~NXP eIQ Time Series Studio tool and~a~custom solution implemented in Python. The~selected models were then exported to the~C language, integrated into the~control firmware, and~tested directly on the~microcontroller during system operation. The~thesis also includes a~graphical visualization of the~model outputs for tuning and~monitoring the~model behavior during testing. The~results showed that the~internal variables of a~sensorless PMSM drive carry sufficient diagnostic information to distinguish between normal and~anomalous fan operation and~that the~proposed models can be executed directly on a~microcontroller.