国产精品久久精品牛牛影视-国产精品久久精品视-国产精品久久九九-国产精品久久久-国产精品久久久99

工業(yè)預測性維護的概念已經(jīng)存在了很長一段時間，可以追溯到人們第一次說機器很快就會壞的時候。從手表內的軸承到大型發(fā)電設備的維護，從簡單的家用電器到復雜的空間站，預測性維護無處不在。

芯片采購網(wǎng)專注于整合國內外授權IC代理商現(xiàn)貨資源，芯片庫存實時查詢，行業(yè)價格合理，采購方便IC芯片，國內專業(yè)芯片采購平臺。

早期預測性維護在很大程度上依賴于技術人員的專業(yè)知識和直覺來解決問題或診斷故障，今天的先進診斷設備和工業(yè) 4.0 該技術增加了電子傳感器和機械傳感器，可以更準確地發(fā)現(xiàn)和診斷問題。傳感器已成為預測性維護應用的重要組成部分。

圖1—工業(yè) 4.0 典型的預測性維護應用

作為工業(yè) 4.0 本地決策系統(tǒng)在設備內或附近收集傳感器數(shù)據(jù)作出正確判斷，幫助維修人員提前發(fā)現(xiàn)昂貴復雜的可能是遠程設備的小問題，避免大事故。該功能要求傳感器具有邊緣處理[13]的能力 (AI)，因為人工智能是預測性維護應用的關鍵技術。直接在傳感器或主控制器上實現(xiàn)AI 以及邊緣處理，例如，STM32[8] 中的 FP-AI-MONITOR數(shù)據(jù)分析決策可在當?shù)貓?zhí)行。

圖1顯示了傳感器檢測設備產(chǎn)生的信息并將數(shù)據(jù)傳輸給主控制器的典型預測性維護應用示意圖。在工業(yè)3.0 描述機器狀態(tài)的原始傳感器數(shù)據(jù)直接傳輸給操作員，不涉及任何本地處理或決策任務。在工業(yè) 4.0 主控制器在當?shù)靥幚韨鞲袛?shù)據(jù)，并在當?shù)刈龀鰶Q定。主控制器允許無線連接模塊部分睡眠，如果發(fā)送條件不符合具體通知標準。操作員只在收到云通知后才開始干預。該方法減少了傳輸?shù)皆频臄?shù)據(jù)量，降低了當?shù)貍鞲衅鞴?jié)點的功耗。

更深入地說，實現(xiàn)這一感知決策模塊有四個關鍵步驟： 重要參數(shù)識別； 數(shù)據(jù)分析； 選擇傳感器和決策樹的位置。

1)重要參數(shù)識別

許多參數(shù)可以指示機器的健康狀況。設計師需要根據(jù)這些參數(shù)的特性和預測機器狀態(tài)的能力來篩選重要參數(shù)。在圖 2 聲學、溫度中，聲學、溫度和物理振動加速度等參數(shù)可以指示機器重軸承的磨損。哪些參數(shù)可以用來預測軸承 60%的健康狀態(tài)。最理想的是，只有一個參數(shù)就足以提供最有意義的信息，使決策樹能夠判斷軸承的健康狀況達到60%。

本例中，機器的健康狀況分為四個階段，如表1所示：

表1-機器健康狀態(tài)分階段

健康標志

時間節(jié)點

機器狀況

措施

80%

t1

開始磨損

維修信號

60%

t2

摩擦力增加

需要維修

50%

t3

軸承開始破裂

需要更換

<30%

t4

緊急更換

嚴重事故

圖2–重要參數(shù)與機器健康狀況的關系

當重型軸承達到60%的健康狀況時，發(fā)出預警。我們捕捉加速度、超聲波、溫度和時間（周）之間的關系，并繪制圖紙，以分析和研究重要參數(shù)。這三個參數(shù)都可以指示軸承的磨損。研究發(fā)現(xiàn)如下：

● 當軸承在t3 在進入損壞階段后，加速度數(shù)據(jù)給出了強烈的信號。但是，它不能很好地跟蹤它 t3之前的健康狀況，即在機器達到50%健康狀況之前無法有效記錄，這意味著在軸承損壞之前無法準確預測機器的健康狀況。因此，僅僅依靠加速度計的指示信息是不足以預測早期磨損的。

● 直到軸承進入損壞階段t4.溫度數(shù)據(jù)可以準確跟蹤軸承的健康狀況。無論軸承損壞的原因是什么，在摩擦急劇增加之前，溫度參數(shù)都不能給出明顯的軸承損壞信號。

● 首先，超聲參數(shù)能有效跟蹤軸承的健康狀況 t1 可以發(fā)出信號。當軸承達到60%，當軸承達到60%的健康狀況時，它會發(fā)出明顯的信號。 然而，從繪制的數(shù)據(jù)圖來看，當軸承健康時 t3 左右下降到 50% 下面，由于軸承開始失去對機器健康狀況的跟蹤，因為軸承嚴重磨損和破裂，極大地改變了軸承的特性，導致軸承的振動曲線超了超聲掃描范圍。加速度計可以感知到這一階段的強振動。

不難看出，超聲檢測是預測性維護60%健康狀況預警的重要參數(shù)。

2)數(shù)據(jù)分析

重要參數(shù)一旦確定，下一步就是研究數(shù)據(jù)概要信息。設計師必須評估不同的數(shù)據(jù)處理能力和 人工智能算法可靠預測機器的健康狀況。

實現(xiàn)預測性維護應用的數(shù)據(jù)處理方法有很多，可分為時域和頻域[9]兩類。每種方法都有各種優(yōu)缺點。

● 時域方法簡單易懂，計算能力要求低。傳感器的輸出始終在時域內。均方根時域信號 (RMS)、平均值或峰值檢測是典型的跟蹤值。決策標志可以通過比較原始數(shù)據(jù)或處理后數(shù)據(jù)的閾值或范圍來獲得。該方法的缺點是只適用于簡單的波形分析。一些數(shù)據(jù)分析在實際工業(yè)應用中非常復雜，因為它們可能包含不同機械部件的振動和其他機器的環(huán)境振動。圖 3 數(shù)據(jù)分析示例顯示在時域。

圖3-時域加速波形示例

在這種情況下，電機不平衡產(chǎn)生的振動幅度遠遠大于輸出軸產(chǎn)生的振動幅度。如果使用RMS或平均值或其他時域信號處理方法，傳感器無法有效識別輸出軸的振動程度。

圖4-由多個波形組成的復雜波形

● 然而，有一種強大的信號處理方法可以管理復雜的信號。這種復雜的波形由多個簡單的波形組成。傅里葉快速變換 (FFT) 將時域數(shù)據(jù)轉換為頻域數(shù)據(jù)，將不同部件產(chǎn)生的振動置于不同頻譜中，是一種有效的波形分析工具。

圖5-頻譜

傅里葉變換方法將不同源的振動范圍分為不同的頻譜。除傅里葉變換外，數(shù)據(jù)處理還可以使用平均值等其他技術方法RMS、峰值、神經(jīng)網(wǎng)絡等，準確過濾數(shù)據(jù)，為決策樹提供更可靠的數(shù)據(jù)，實現(xiàn)更智能的決策。

參數(shù)識別和數(shù)據(jù)分析需要一些常用的工具：

a)專業(yè)測量工具

現(xiàn)成的專業(yè)測量設備可用于獲取準確、詳細的測量數(shù)據(jù)，強烈推薦使用這類專業(yè)級測量設備進行苛刻的高精度應用。

b)評估演示套件

意大利半導體等傳感器制造商提供免寫軟件評估套件(圖 6)。例如，這些小主板，STEVAL-MKI109V3.插入傳感器板卡的插座。設計師可選擇將自己喜歡的傳感器板卡插入主板。一些制造商還提供用于控制傳感器的圖形用戶界面 (GUI)軟件。這些GUI該軟件可以訪問傳感器的所有寄存器，配置和檢索數(shù)據(jù)，無需編寫代碼，并提供實用的數(shù)據(jù)處理操作功能，如傅里葉變換FFT 其中一個功能(圖) 7)。

圖6 --STEVAL-MKI109V3評估板與傳感器板卡的連接

圖7--STEVAL-MKI109V3 GUI 截屏

如果評估傳感器的特性、功能和適用性，建議使用免寫代碼的評估板。這些板卡還可以收集初始數(shù)據(jù)，啟動工程算法和數(shù)據(jù)分析過程。在原型開發(fā)或概念驗證階段，傳感器制造商可能會提供另一個強大的開發(fā)工具，大大簡化開發(fā)任務，縮短開發(fā)周期。STWIN 以開發(fā)套件為例：

c)STWIN 無線工業(yè)節(jié)點 (STEVAL-STWINKT1B)[10][11]是先進工業(yè)物聯(lián)網(wǎng)應用原型的開發(fā)和測試，可以簡化工況監(jiān)測和預測性維護。

圖8--STEVAL-STWINKT1B

圖9-SensorTile Box與手機交互

STWIN 基于開發(fā)套件STM32超低功耗微控制器集成了慣性傳感器(振動傳感器、加速度計、6 軸 IMU、磁傳感器)、環(huán)境傳感器(高精度溫度傳感器、壓力傳感器、濕度傳感器)和高性能傳感器(具有超聲波傳感功能的數(shù)字傳感器和模擬傳感器)支持各種狀態(tài)監(jiān)測，特別是振動分析。開發(fā)套件還配備了豐富的軟件包和優(yōu)化的固件庫，以及云儀表板應用程序，以加快端到端整體解決方案的設計周期。

該套件板載Bluetooth 可插入低能耗無線連接模塊Wi-Fi無線連接子板 (STEVAL-STWINWFV1)。有線連接可通過板載連接 RS485 實現(xiàn)收發(fā)器。

3)傳感器選型

手頭有數(shù)據(jù)分析工具后，下一步就是選擇合適的傳感器：

a) 根據(jù)1) 選擇傳感器類型

意大利半導體提供各種傳感器，如加速度計、陀螺儀、磁力計、振動傳感器、傳聲器、壓力傳感器、濕度傳感器、溫度傳感器、激光傳感器、紅外傳感器等。工業(yè)傳感器通常提供更高的性能和精度、更好的溫度和時間穩(wěn)定性，甚至保證產(chǎn)品的生命周期。

b) 根據(jù)2) 傳感器量程選擇最大測量范圍、靈敏度或重要頻率范圍(帶寬)；

每個傳感器都有自己的最大范圍和頻率帶寬。為了選擇最合適的傳感器，設計師必須仔細研究這兩個參數(shù)。 9 我們推薦的預測性維護應用場景顯示了一系列型號。

圖10–根據(jù)應用場景選擇傳感器

4)選擇決策樹的位置

被業(yè)界認可 MEMS 技術先驅，意大利半導體率先將邊緣處理功能嵌入傳感器產(chǎn)品中。設計師可以將決策樹嵌入傳感器的邊緣處理分區(qū)或主控制器中。最佳選擇取決于數(shù)據(jù)處理和決策樹的復雜性。意大利半導體傳感器中的決策功能分為三類：

● 嵌入式簡單邏輯

意法半導體MEMS 傳感器具有簡單的嵌入閾值比較邏輯功能。一旦振幅和時間窗閾值達到預設值，就會觸發(fā)中斷標志。

● 有限狀態(tài)機 (FSM)[6]

狀態(tài)機用于設計邏輯連接數(shù)學抽象法(圖 10)。FSM 它是一種類似于流程圖的行為模型，由預定數(shù)量的狀態(tài)和狀態(tài)之間的轉換組成。一旦滿足用戶定義模式，傳感器可以設置為決策標志。為了便于決策功能的實現(xiàn)，一些意大利半導體傳感器嵌入了16 狀態(tài)機。

圖12-傳感器的MLC內部決策過程

總之，作為工業(yè) 4.傳感器是預測性維護的基本組成部分，利用內置的智能功能，傳感器可以降低主控制器的負荷，從而提高整個系統(tǒng)的能效。作為 MEMS 意大利半導體是傳感器行業(yè)的領導者，提供全系列傳感器（加速度計、陀螺儀、磁力計、振動傳感器、傳聲器、壓力傳感器、濕度傳感器、溫度傳感器、激光傳感器、紅外傳感器等）。在預測性維護等應用領域，這種廣泛的產(chǎn)品在創(chuàng)新概念和實際應用之間架起了重要的橋梁。

參考文獻

[1] Industrial Evolution: https://en.wikipedia.org/wiki/Fourth_Industrial_Revolution#History

[2] MEMS: https://en.wikipedia.org/wiki/Microelectromechanical_systems

[3] https://www.st.com/resource/en/datasheet/iis2dlpc.pdf

[4] 0.061mg/LSB=0.061x9.8milim meter/s2/ bit:

https://www.st.com/resource/en/datasheet/lsm6dso.pdf

[5] Sensors with Machine Learning:

https://www.st.com/content/st_com/en/ecosystems/MEMS-Sensors-Ecosystem-for-Machine-Learning.html

[6] Finite State Machine in MEMS Sensor:

https://blog.st.com/lsm6dso-accelerometer-finite-state-machines/

[7] FP-AI-Monitor1: STM32Cube function pack for ultra-low power STM32 with artificial intelligencXMOS代理e (AI) monitoring application based on a wide range of sensors

https://www.st.com/en/embedded-software/fp-ai-monitor1.html

[8] STM32: 32-bit Arm Cortex MCUs provided by STMicroelectronics.

https://www.st.com/en/microcontrollers-microprocessors/stm32-32-bit-arm-cortex-mcus.html

[9] Capacitive MEMS accelerometer for condition monitoring

https://www.st.com/content/ccc/resource/technical/document/white_paper/group0/c0/30/46/2f/00/24/42/1c/Capacitive_MEMS_accelerometer_for_condition_monitoring/files/MEMS_Condition_monitoring.pdf/jcr:content/translations/en.MEMS_Condition_monitoring.pdf

[10] STWIN SensorTile Wireless Industrial Node development kit and reference design for industrial IoT applications

https://www.st.com/en/evaluation-tools/steval-stwinkt1b.html

[11] How to use the STEVAL-STWINKT1B SensorTile Wireless Industrial Node for condition monitoring and predictive maintenance applications

https://www.st.com/resource/en/user_manual/um2777-how-to-use-the-stevalstwinkt1b-sensortile-wireless-industrial-node-for-condition-monitoring-and-predictive-maintenance-applications-stmicroelectronics.pdf

[12] IIS3DWB Sensor Adaptor Board

https://www.st.com/en/evaluation-tools/steval-mki208v1k.html

[13] Edge Processing (Edge Computing)

https://en.wikipedia.org/wiki/Edge_computing