传感器在工业 4.0 预测性维护中的应用

工业预测性维护概念存在已久,最早可以追溯到人们第一次说“机器很快就会坏了”的时候。从给手表内部的轴承加注润滑油,到养护维修大型发电设备,从简单的家电,到复杂的空间站,预测性维护无处不在。

早期预测性维护在很大程度上依赖技工的专长和直觉来解决问题或诊断故障,而今天的先进诊断设备和工业 4.0 技术增加了电子传感器和机械传感器,能够更准确地发现并诊断问题。传感器已成为预测性维护应用的重要组件。

传感器在工业 4.0 预测性维护中的应用

Figure 1 -- Typical PM Application in Industry 4.0

图 1—工业 4.0 中的典型预测性维护应用

作为工业 4.0 的重要组成部分,本地决策系统在设备内或附近收集传感器数据,以此为依据做出正确判断,帮助检修人员提前发现昂贵、复杂的可能是远程设备出现的小问题,避免酿成大事故。这个功能要求传感器必须具有边缘处理[13]能力和人工智能 (AI),因为人工智能是预测性维护应用的关键技术。通过直接在传感器或主控制器上实现AI 和边缘处理,例如,STM32[8] 中的 FP-AI-MONITOR1[7],可以在本地执行数据分析决策。

图 1所示是一个典型的预测性维护应用示意图,其中,传感器检测设备产生的信息并将数据传给主控制器。在工业3.0 中,描述机器状况的原始传感器数据直接传输给操作员,不涉及任何本地处理或决策任务。在工业 4.0 中,主控制器在本地处理传感数据,在本地做出决策。如果发送条件没有满足特定的通知标准,主控制器允许无线连接模块部分睡眠。操作员仅在收到云端的通知消息后才开始介入。这种方法减少了传输到云端的数据量,降低了本地传感器节点的功耗。

更深入地讲,实现这个感知决策模块有四个关键步骤: 重要参数识别; 数据分析; 传感器选择和决策树位置选择。

1) 重要参数识别

许多参数可以指示机器的健康状况。设计人员需要根据这些参数的特性和预测机器状态的能力来筛选重要参数。在图 2 的应用场景中,声学、温度和物理振动加速度等参数都可以指示机器的重型轴承的磨损情况。设计人员将研究分析哪些参数可以用于预测轴承 60%健康状态。最理想的是,只用一个参数就足以提供最有意义的信息,并让决策树能够判断轴承健康状况已达到60%。

在这个示例中,机器的健康状况分为四个阶段,如表 1 所示:

表 1——机器健康状态分期

传感器在工业 4.0 预测性维护中的应用
传感器在工业 4.0 预测性维护中的应用

图 2 – 重要参数与机器健康状况的关系

设定当重型轴承达到60%健康状况时发出预警,我们捕获了加速度、超声波和温度与时间(周)的关系并绘制成图,以便分析研究重要参数,如图2所示,三个参数都可以指示轴承的磨损状况。研究发现如下:

当轴承在t3 之后进入损坏阶段时,加速度数据给出强烈信号。但是,它不能很好地跟踪 t3之前的健康状态,也就是不能有效记录机器达到50%健康状况前的状况,这意味着我们无法在轴承损坏前准确地预判机器的健康状况,所以,仅依靠加速度计的指示信息不足以预测早期磨损程度。

直到轴承进入损坏阶段t4,温度数据才能准确地跟踪轴承的健康状况。不管什么原因引起轴承损坏,温度参数都不能在摩擦力急剧增加之前给出轴承损坏的明显信号。

超声参数可以有效地跟踪轴承的健康状况,最早在 t1 时就能发出信号。随着摩擦力增加,当轴承达到60%健康状况时,它会发出一个明显信号。 然而,从绘制的数据图看,当轴承健康在 t3 左右下降到 50% 以下时,超声波信号开始失去对机器健康状况的跟踪,这是因为轴承严重磨损并破裂,极大地改变了轴承的特性,并导致轴承的振动曲线超出了超声扫描范围。这个阶段的强烈的振动恰好可以被加速度计感知到。

从这个示例不难看出,超声检测是预测性维护实现60%健康状况预警的重要参数。

2) 数据分析

一旦确定了重要参数,下一步就是研究数据概要信息。设计人员必须评测不同的数据处理能力和 人工智能算法,才能可靠地预测机器的健康状况。

有许多数据处理方法可用实现预测性维护应用,这些数据处理方法可分为两大类:时域和频域[9]。每种方法都有各种的优缺点。

时域方法简单易懂,算力要求低。传感器的输出始终在时域范围内。时域信号的均方根 (RMS)、平均值或峰值检测是典型的跟踪值。比较原始数据或处理后数据的阈值或幅度可以获得决策标志。这种方法的缺点是它仅适用于简单的波形分析。在实际工业应用中,有些数据分析是很复杂的,因为它们可能包含不同机械部件的振动和其他机器的环境振动。图 3 所示是在时域中的数据分析示例。

传感器在工业 4.0 预测性维护中的应用

图 3 - 时域加速波形示例

在这个例子中,电机不平衡产生的振动幅度远大于输出轴产生的振动幅度。如果采用RMS或平均值或其他的时域信号处理方法,传感器是不能有效地识别输出轴的振动程度。

传感器在工业 4.0 预测性维护中的应用

图 4 -由多个波形组成的复杂波形

不过,有一个强大的信号处理方法可以管理复杂的信号。这种类型的复杂波形是由多个简单波形组成,如图 4 所示。快速傅里叶变换 (FFT) 是一个有效的波形分析工具,可将时域数据转换为频域数据,把不同部件产生的振动置于不同频谱中,如图 5 所示。

传感器在工业 4.0 预测性维护中的应用

图 5 - 频谱

傅里叶变换方法把不同源的振动幅度分成不同的频谱。除傅里叶变换之外,数据处理还可以利用其他的技术方法,例如,平均值、RMS、峰值、神经网络等,进行准确的数据过滤,为决策树提供更可靠的数据,实现更智能的决策。

参数识别和数据分析需要一些工具,下面是一些常用工具:

a) 专业测量工具

可以使用现成的专业测量设备获取准确而详细的测量数据,要求苛刻的高精度应用强烈推荐采用这类专业级测量设备。

b) 评估演示套件

意法半导体等传感器厂商提供免写软件的评估套件(图 6)。这些小主板,例如,STEVAL-MKI109V3,具有插接传感器板卡的插座。设计人员可以选择把喜欢的传感器板卡插到主板上。有些厂商还提供用于控制传感器的图形用户界面 (GUI)软件。这些GUI软件可以存取传感器的全部寄存器,配置和检索数据,不用写代码,并提供实用的数据处理运算功能,例如,傅里叶变换FFT 就是其中的一个功能(图 7)。

传感器在工业 4.0 预测性维护中的应用

图 6 -- STEVAL-MKI109V3评估板与传感器板卡的连接

传感器在工业 4.0 预测性维护中的应用