工業預測性維護概念存在已久，最早可以追溯到人們第一次說“機器很快就會壞了”的時候。從給手表內部的軸承加注潤滑油，到養護維修大型發電設備，從簡單的家電，到復雜的空間站，預測性維護無處不在。
早期預測性維護在很大程度上依賴技工的專長和直覺來解決問題或診斷故障，而今天的先進診斷設備和工業 4.0 技術增加了電子傳感器和機械傳感器，能夠更準確地發現并診斷問題。傳感器已成為預測性維護應用的重要組件。
Figure 1 -- Typical PM Application in Industry 4.0
圖 1—工業 4.0 中的典型預測性維護應用
作為工業 4.0 的重要組成部分，本地決策系統在設備內或附近收集傳感器數據，以此為依據做出正確判斷，幫助檢修人員提前發現昂貴、復雜的可能是遠程設備出現的小問題，避免釀成大事故。這個功能要求傳感器必須具有邊緣處理[13]能力和人工智能 (AI)，因為人工智能是預測性維護應用的關鍵技術。通過直接在傳感器或主控制器上實現AI 和邊緣處理，例如，STM32[8] 中的 FP-AI-MONITOR1[7]，可以在本地執行數據分析決策。
圖 1所示是一個典型的預測性維護應用示意圖，其中，傳感器檢測設備產生的信息并將數據傳給主控制器。在工業3.0 中，描述機器狀況的原始傳感器數據直接傳輸給操作員，不涉及任何本地處理或決策任務。在工業 4.0 中，主控制器在本地處理傳感數據，在本地做出決策。如果發送條件沒有滿足特定的通知標準，主控制器允許無線連接模塊部分睡眠。操作員僅在收到云端的通知消息后才開始介入。這種方法減少了傳輸到云端的數據量，降低了本地傳感器節點的功耗。
更深入地講，實現這個感知決策模塊有四個關鍵步驟： 重要參數識別； 數據分析； 傳感器選擇和決策樹位置選擇。
1)重要參數識別
許多參數可以指示機器的健康狀況。設計人員需要根據這些參數的特性和預測機器狀態的能力來篩選重要參數。在圖 2 的應用場景中，聲學、溫度和物理振動加速度等參數都可以指示機器的重型軸承的磨損情況。設計人員將研究分析哪些參數可以用于預測軸承 60%健康狀態。最理想的是，只用一個參數就足以提供最有意義的信息，并讓決策樹能夠判斷軸承健康狀況已達到60%。
在這個示例中，機器的健康狀況分為四個階段，如表 1 所示：
表 1——機器健康狀態分期
|
健康標志 |
時間節點 |
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 |
·當軸承在t3 之后進入損壞階段時，加速度數據給出強烈信號。但是，它不能很好地跟蹤 t3之前的健康狀態，也就是不能有效記錄機器達到50%健康狀況前的狀況，這意味著我們無法在軸承損壞前準確地預判機器的健康狀況，所以，僅依靠加速度計的指示信息不足以預測早期磨損程度。
·直到軸承進入損壞階段t4，溫度數據才能準確地跟蹤軸承的健康狀況。不管什么原因引起軸承損壞，溫度參數都不能在摩擦力急劇增加之前給出軸承損壞的明顯信號。
·超聲參數可以有效地跟蹤軸承的健康狀況，最早在 t1 時就能發出信號。隨著摩擦力增加，當軸承達到60%健康狀況時，它會發出一個明顯信號。 然而，從繪制的數據圖看，當軸承健康在 t3 左右下降到 50% 以下時，超聲波信號開始失去對機器健康狀況的跟蹤，這是因為軸承嚴重磨損并破裂，極大地改變了軸承的特性，并導致軸承的振動曲線超出了超聲掃描范圍。這個階段的強烈的振動恰好可以被加速度計感知到。
從這個示例不難看出，超聲檢測是預測性維護實現60%健康狀況預警的重要參數。
2)數據分析
一旦確定了重要參數，下一步就是研究數據概要信息。設計人員必須評測不同的數據處理能力和 人工智能算法，才能可靠地預測機器的健康狀況。
有許多數據處理方法可用實現預測性維護應用，這些數據處理方法可分為兩大類：時域和頻域[9]。每種方法都有各種的優缺點。
·時域方法簡單易懂，算力要求低。傳感器的輸出始終在時域范圍內。時域信號的均方根 (RMS)、平均值或峰值檢測是典型的跟蹤值。比較原始數據或處理后數據的閾值或幅度可以獲得決策標志。這種方法的缺點是它僅適用于簡單的波形分析。在實際工業應用中，有些數據分析是很復雜的，因為它們可能包含不同機械部件的振動和其他機器的環境振動。圖 3 所示是在時域中的數據分析示例。
圖 3 - 時域加速波形示例
在這個例子中，電機不平衡產生的振動幅度遠大于輸出軸產生的振動幅度。如果采用RMS或平均值或其他的時域信號處理方法，傳感器是不能有效地識別輸出軸的振動程度。
圖 4 -由多個波形組成的復雜波形
·不過，有一個強大的信號處理方法可以管理復雜的信號。這種類型的復雜波形是由多個簡單波形組成，如圖 4 所示。快速傅里葉變換 (FFT) 是一個有效的波形分析工具，可將時域數據轉換為頻域數據，把不同部件產生的振動置于不同頻譜中，如圖 5 所示。
圖 5 - 頻譜
傅里葉變換方法把不同源的振動幅度分成不同的頻譜。除傅里葉變換之外，數據處理還可以利用其他的技術方法，例如，平均值、RMS、峰值、神經網絡等，進行準確的數據過濾，為決策樹提供更可靠的數據，實現更智能的決策。
參數識別和數據分析需要一些工具，下面是一些常用工具：
a)專業測量工具
可以使用現成的專業測量設備獲取準確而詳細的測量數據，要求苛刻的高精度應用強烈推薦采用這類專業級測量設備。
b)評估演示套件
意法半導體等傳感器廠商提供免寫軟件的評估套件(圖 6)。這些小主板，例如，STeval-MKI109V3，具有插接傳感器板卡的插座。設計人員可以選擇把喜歡的傳感器板卡插到主板上。有些廠商還提供用于控制傳感器的圖形用戶界面 (GUI)軟件。這些GUI軟件可以存取傳感器的全部寄存器，配置和檢索數據，不用寫代碼，并提供實用的數據處理運算功能，例如，傅里葉變換FFT 就是其中的一個功能(圖 7)。
圖 6 -- STeval-MKI109V3評估板與傳感器板卡的連接
若評估傳感器的特性功能及其適用性，建議使用免寫代碼的評估板。這些板卡還可以執行初始數據采集，啟動工程算法和數據分析過程。如果到了后面的原型開發或概念驗證階段，傳感器廠商可能會提供另一個強大的開發工具，以大幅簡化開發任務，縮短開發周期。以STWIN 開發套件為例：
c)STWIN 無線工業節點 (STeval-STWINKT1B)[10][11] 是一個開發套件和參考設計，可簡化工況監測和預測性維護等先進工業物聯網應用原型開發和測試。
圖 8 -- STeval-STWINKT1B
圖 9 - SensorTile Box與手機交互
STWIN 開發套件基于STM32超低功耗微控制器，集成各種工業級傳感器，包括慣性傳感器(振動傳感器、加速度計、6 軸 IMU、磁傳感器)、環境傳感器(高精度溫度傳感器、壓力傳感器、濕度傳感器)和高性能傳聲器(數字傳聲器和模擬傳聲器，有超聲波感應功能)，支持各類狀態監測，尤其是與振動分析相關的監測。該開發套件還配有豐富的軟件包和優化的固件庫，以及云端儀表板應用程序，以加快端到端整體解決方案的設計周期。
該套件板載Bluetooth® 低能耗無線連接模塊，并可以插接一塊Wi-Fi無線連接子板 (STeval-STWINWFV1)。有線連接可以通過板載 RS485 收發器實現。
3)傳感器選型
手頭有了數據分析工具后，下一步就是選擇合適的傳感器：
a) 根據1) 中發現的重要參數選擇傳感器類型
意法半導體提供加速度計、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、紅外傳感器等各種傳感器。工業級傳感器通常提供更高的性能和精度、更好的溫度和時間穩定性，甚至提供產品生命周期保證。
b) 根據2) 中發現的最大測量范圍和靈敏度或重要頻率范圍(帶寬)選擇傳感器量程；
每個傳感器都有自己的最大量程和頻響帶寬。設計人員必須仔細研究這兩個參數，以選擇最適合的傳感器。圖 9 顯示了一系列我們為預測性維護應用場景推薦的型號。
圖 10 – 根據應用場景選擇傳感器
4)決策樹位置選擇
作為業界公認的 MEMS 技術先驅，意法半導體率先在傳感器產品中嵌入邊緣處理功能。設計人員可以給傳感器中的邊緣處理分區或將在主控制器內嵌入決策樹。最佳選擇取決于數據處理和決策樹的復雜程度。意法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 傳感器都有簡單的嵌入式閾值比較邏輯功能。振幅和時間窗口閾值一旦達到預設值，就會觸發中斷標志。
·有限狀態機 (FSM)[6]
狀態機是用于設計邏輯連接的數學抽象方法(圖 10)。FSM 是一種由預定數量的狀態和狀態之間的轉換組成的行為模型，類似于流程圖。傳感器可以設為用戶定義模式一旦滿足，就立即生成決策標志。為了便于實現決策功能，意法半導體有些傳感器嵌入了16 狀態機。
圖 11 - 傳感器的嵌入式有限狀態機
MLC機器學習核心不是用來處理復雜數據的，所以它不能做有限狀態機的工作。MLC 確實可以將一些原本應在應用處理器上運行的低密度算法轉移到 MEMS 傳感器上，從而顯著降低系統功耗。當數據模式與用戶定義的一個類集合匹配時，MLC 可以識別這些數據模式。傳感器使用包含濾波器的可配置的專用計算模塊和在用戶設定的固定時間窗口內計算出來的特征來過濾輸入數據。機器學習處理的基本原理是通過一系列可配置的節點以“如果-那么-否則”為條件比較預設閾值和“特征”值的邏輯處理過程（圖 11）。
圖 12 - 傳感器的MLC內的決策過程
總之，作為工業 4.0應用的基本組成部分，傳感器是預測性維護中必不可少的組件，并且，利用內置的智能功能，傳感器可以降低主控制器的負荷，從而提高整個系統的能效。
Resource and Reference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 intelligence (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
粵公網安備 44030702001206號