工業(yè)預(yù)測(cè)性維護(hù)概念存在已久,最早可以追溯到人們第一次說(shuō)“機(jī)器很快就會(huì)壞了”的時(shí)候。從給手表內(nèi)部的軸承加注潤(rùn)滑油,到養(yǎng)護(hù)維修大型發(fā)電設(shè)備,從簡(jiǎn)單的家電,到復(fù)雜的空間站,預(yù)測(cè)性維護(hù)無(wú)處不在。
早期預(yù)測(cè)性維護(hù)在很大程度上依賴技工的專長(zhǎng)和直覺(jué)來(lái)解決問(wèn)題或診斷故障,而今天的先進(jìn)診斷設(shè)備和工業(yè) 4.0 技術(shù)增加了電子傳感器和機(jī)械傳感器,能夠更準(zhǔn)確地發(fā)現(xiàn)并診斷問(wèn)題。傳感器已成為預(yù)測(cè)性維護(hù)應(yīng)用的重要組件。
?
Figure 1 -- Typical PM Application in Industry 4.0
圖 1—工業(yè) 4.0 中的典型預(yù)測(cè)性維護(hù)應(yīng)用
作為工業(yè) 4.0 的重要組成部分,本地決策系統(tǒng)在設(shè)備內(nèi)或附近收集傳感器數(shù)據(jù),以此為依據(jù)做出正確判斷,幫助檢修人員提前發(fā)現(xiàn)昂貴、復(fù)雜的可能是遠(yuǎn)程設(shè)備出現(xiàn)的小問(wèn)題,避免釀成大事故。這個(gè)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?yàn)槿斯ぶ悄苁穷A(yù)測(cè)性維護(hù)應(yīng)用的關(guān)鍵技術(shù)。通過(guò)直接在傳感器或主控制器上實(shí)現(xiàn)AI 和邊緣處理,例如,STM32[8] 中的 FP-AI-MONITOR1[7],可以在本地執(zhí)行數(shù)據(jù)分析決策。
圖 1所示是一個(gè)典型的預(yù)測(cè)性維護(hù)應(yīng)用示意圖,其中,傳感器檢測(cè)設(shè)備產(chǎn)生的信息并將數(shù)據(jù)傳給主控制器。在工業(yè)3.0 中,描述機(jī)器狀況的原始傳感器數(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(wù)。在工業(yè) 4.0 中,主控制器在本地處理傳感數(shù)據(jù),在本地做出決策。如果發(fā)送條件沒(méi)有滿足特定的通知標(biāo)準(zhǔn),主控制器允許無(wú)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(kāi)始介入。這種方法減少了傳輸?shù)皆贫说臄?shù)據(jù)量,降低了本地傳感器節(jié)點(diǎn)的功耗。?
更深入地講,實(shí)現(xiàn)這個(gè)感知決策模塊有四個(gè)關(guān)鍵步驟: 重要參數(shù)識(shí)別; 數(shù)據(jù)分析; 傳感器選擇和決策樹(shù)位置選擇。
1)重要參數(shù)識(shí)別
許多參數(shù)可以指示機(jī)器的健康狀況。設(shè)計(jì)人員需要根據(jù)這些參數(shù)的特性和預(yù)測(cè)機(jī)器狀態(tài)的能力來(lái)篩選重要參數(shù)。在圖 2 的應(yīng)用場(chǎng)景中,聲學(xué)、溫度和物理振動(dòng)加速度等參數(shù)都可以指示機(jī)器的重型軸承的磨損情況。設(shè)計(jì)人員將研究分析哪些參數(shù)可以用于預(yù)測(cè)軸承 60%健康狀態(tài)。最理想的是,只用一個(gè)參數(shù)就足以提供最有意義的信息,并讓決策樹(shù)能夠判斷軸承健康狀況已達(dá)到60%。
在這個(gè)示例中,機(jī)器的健康狀況分為四個(gè)階段,如表 1 所示: ?
表 1——機(jī)器健康狀態(tài)分期
?
?
圖 2 – 重要參數(shù)與機(jī)器健康狀況的關(guān)系
設(shè)定當(dāng)重型軸承達(dá)到60%健康狀況時(shí)發(fā)出預(yù)警,我們捕獲了加速度、超聲波和溫度與時(shí)間(周)的關(guān)系并繪制成圖,以便分析研究重要參數(shù),如圖2所示,三個(gè)參數(shù)都可以指示軸承的磨損狀況。研究發(fā)現(xiàn)如下:
- 當(dāng)軸承在t3 之后進(jìn)入損壞階段時(shí),加速度數(shù)據(jù)給出強(qiáng)烈信號(hào)。但是,它不能很好地跟蹤 t3之前的健康狀態(tài),也就是不能有效記錄機(jī)器達(dá)到50%健康狀況前的狀況,這意味著我們無(wú)法在軸承損壞前準(zhǔn)確地預(yù)判機(jī)器的健康狀況,所以,僅依靠加速度計(jì)的指示信息不足以預(yù)測(cè)早期磨損程度。
- 直到軸承進(jìn)入損壞階段t4,溫度數(shù)據(jù)才能準(zhǔn)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(shù)都不能在摩擦力急劇增加之前給出軸承損壞的明顯信號(hào)。
- 超聲參數(shù)可以有效地跟蹤軸承的健康狀況,最早在 t1 時(shí)就能發(fā)出信號(hào)。隨著摩擦力增加,當(dāng)軸承達(dá)到60%健康狀況時(shí),它會(huì)發(fā)出一個(gè)明顯信號(hào)。 然而,從繪制的數(shù)據(jù)圖看,當(dāng)軸承健康在 t3 左右下降到 50% 以下時(shí),超聲波信號(hào)開(kāi)始失去對(duì)機(jī)器健康狀況的跟蹤,這是因?yàn)檩S承嚴(yán)重磨損并破裂,極大地改變了軸承的特性,并導(dǎo)致軸承的振動(dòng)曲線超出了超聲掃描范圍。這個(gè)階段的強(qiáng)烈的振動(dòng)恰好可以被加速度計(jì)感知到。
從這個(gè)示例不難看出,超聲檢測(cè)是預(yù)測(cè)性維護(hù)實(shí)現(xiàn)60%健康狀況預(yù)警的重要參數(shù)。
2)數(shù)據(jù)分析
一旦確定了重要參數(shù),下一步就是研究數(shù)據(jù)概要信息。設(shè)計(jì)人員必須評(píng)測(cè)不同的數(shù)據(jù)處理能力和 人工智能算法,才能可靠地預(yù)測(cè)機(jī)器的健康狀況。
有許多數(shù)據(jù)處理方法可用實(shí)現(xiàn)預(yù)測(cè)性維護(hù)應(yīng)用,這些數(shù)據(jù)處理方法可分為兩大類:時(shí)域和頻域[9]。每種方法都有各種的優(yōu)缺點(diǎn)。
- 時(shí)域方法簡(jiǎn)單易懂,算力要求低。傳感器的輸出始終在時(shí)域范圍內(nèi)。時(shí)域信號(hào)的均方根 (RMS)、平均值或峰值檢測(cè)是典型的跟蹤值。比較原始數(shù)據(jù)或處理后數(shù)據(jù)的閾值或幅度可以獲得決策標(biāo)志。這種方法的缺點(diǎn)是它僅適用于簡(jiǎn)單的波形分析。在實(shí)際工業(yè)應(yīng)用中,有些數(shù)據(jù)分析是很復(fù)雜的,因?yàn)樗鼈兛赡馨煌瑱C(jī)械部件的振動(dòng)和其他機(jī)器的環(huán)境振動(dòng)。圖 3 所示是在時(shí)域中的數(shù)據(jù)分析示例。
圖 3 - 時(shí)域加速波形示例
在這個(gè)例子中,電機(jī)不平衡產(chǎn)生的振動(dòng)幅度遠(yuǎn)大于輸出軸產(chǎn)生的振動(dòng)幅度。如果采用RMS或平均值或其他的時(shí)域信號(hào)處理方法,傳感器是不能有效地識(shí)別輸出軸的振動(dòng)程度。
?
圖 4 -由多個(gè)波形組成的復(fù)雜波形
- 不過(guò),有一個(gè)強(qiáng)大的信號(hào)處理方法可以管理復(fù)雜的信號(hào)。這種類型的復(fù)雜波形是由多個(gè)簡(jiǎn)單波形組成,如圖 4 所示??焖?a class="article-link" target="_blank" href="/baike/1594645.html">傅里葉變換 (FFT) 是一個(gè)有效的波形分析工具,可將時(shí)域數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù),把不同部件產(chǎn)生的振動(dòng)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(dòng)幅度分成不同的頻譜。除傅里葉變換之外,數(shù)據(jù)處理還可以利用其他的技術(shù)方法,例如,平均值、RMS、峰值、神經(jīng)網(wǎng)絡(luò)等,進(jìn)行準(zhǔn)確的數(shù)據(jù)過(guò)濾,為決策樹(shù)提供更可靠的數(shù)據(jù),實(shí)現(xiàn)更智能的決策。
參數(shù)識(shí)別和數(shù)據(jù)分析需要一些工具,下面是一些常用工具:
a)專業(yè)測(cè)量工具
可以使用現(xiàn)成的專業(yè)測(cè)量設(shè)備獲取準(zhǔn)確而詳細(xì)的測(cè)量數(shù)據(jù),要求苛刻的高精度應(yīng)用強(qiáng)烈推薦采用這類專業(yè)級(jí)測(cè)量設(shè)備。
b)評(píng)估演示套件
意法半導(dǎo)體等傳感器廠商提供免寫(xiě)軟件的評(píng)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(shè)計(jì)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(shù)據(jù),不用寫(xiě)代碼,并提供實(shí)用的數(shù)據(jù)處理運(yùn)算功能,例如,傅里葉變換FFT 就是其中的一個(gè)功能(圖 7)。
?
圖 6 -- STEVAL-MKI109V3評(píng)估板與傳感器板卡的連接
圖 7 -- STEVAL-MKI109V3 GUI 截屏
若評(píng)估傳感器的特性功能及其適用性,建議使用免寫(xiě)代碼的評(píng)估板。這些板卡還可以執(zhí)行初始數(shù)據(jù)采集,啟動(dòng)工程算法和數(shù)據(jù)分析過(guò)程。如果到了后面的原型開(kāi)發(fā)或概念驗(yàn)證階段,傳感器廠商可能會(huì)提供另一個(gè)強(qiáng)大的開(kāi)發(fā)工具,以大幅簡(jiǎn)化開(kāi)發(fā)任務(wù),縮短開(kāi)發(fā)周期。以STWIN 開(kāi)發(fā)套件為例:
c)STWIN 無(wú)線工業(yè)節(jié)點(diǎn) (STEVAL-STWINKT1B)[10][11] 是一個(gè)開(kāi)發(fā)套件和參考設(shè)計(jì),可簡(jiǎn)化工況監(jiān)測(cè)和預(yù)測(cè)性維護(hù)等先進(jìn)工業(yè)物聯(lián)網(wǎng)應(yīng)用原型開(kāi)發(fā)和測(cè)試。
?
圖 8 -- STEVAL-STWINKT1B
圖 9 - SensorTile Box與手機(jī)交互
STWIN 開(kāi)發(fā)套件基于STM32超低功耗微控制器,集成各種工業(yè)級(jí)傳感器,包括慣性傳感器(振動(dòng)傳感器、加速度計(jì)、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)和高性能傳聲器(數(shù)字傳聲器和模擬傳聲器,有超聲波感應(yīng)功能),支持各類狀態(tài)監(jiān)測(cè),尤其是與振動(dòng)分析相關(guān)的監(jiān)測(cè)。該開(kāi)發(fā)套件還配有豐富的軟件包和優(yōu)化的固件庫(kù),以及云端儀表板應(yīng)用程序,以加快端到端整體解決方案的設(shè)計(jì)周期。
該套件板載Bluetooth? 低能耗無(wú)線連接模塊,并可以插接一塊Wi-Fi無(wú)線連接子板 (STEVAL-STWINWFV1)。有線連接可以通過(guò)板載 RS485 收發(fā)器實(shí)現(xiàn)。
3)傳感器選型
手頭有了數(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) 中發(fā)現(xiàn)的重要參數(shù)選擇傳感器類型
意法半導(dǎo)體提供加速度計(jì)、陀螺儀、磁力計(jì)、振動(dòng)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(yè)級(jí)傳感器通常提供更高的性能和精度、更好的溫度和時(shí)間穩(wěn)定性,甚至提供產(chǎn)品生命周期保證。
b) 根據(jù)2) 中發(fā)現(xiàn)的最大測(cè)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(gè)傳感器都有自己的最大量程和頻響帶寬。設(shè)計(jì)人員必須仔細(xì)研究這兩個(gè)參數(shù),以選擇最適合的傳感器。圖 9 顯示了一系列我們?yōu)轭A(yù)測(cè)性維護(hù)應(yīng)用場(chǎng)景推薦的型號(hào)。
圖 10 – 根據(jù)應(yīng)用場(chǎng)景選擇傳感器
4)決策樹(shù)位置選擇
作為業(yè)界公認(rèn)的 MEMS 技術(shù)先驅(qū),意法半導(dǎo)體率先在傳感器產(chǎn)品中嵌入邊緣處理功能。設(shè)計(jì)人員可以給傳感器中的邊緣處理分區(qū)或?qū)⒃谥骺刂破鲀?nèi)嵌入決策樹(shù)。最佳選擇取決于數(shù)據(jù)處理和決策樹(shù)的復(fù)雜程度。意法半導(dǎo)體傳感器中的決策功能分為三類:
- 嵌入式簡(jiǎn)單邏輯
意法半導(dǎo)體MEMS 傳感器都有簡(jiǎn)單的嵌入式閾值比較邏輯功能。振幅和時(shí)間窗口閾值一旦達(dá)到預(yù)設(shè)值,就會(huì)觸發(fā)中斷標(biāo)志。
- 有限狀態(tài)機(jī) (FSM)[6]
狀態(tài)機(jī)是用于設(shè)計(jì)邏輯連接的數(shù)學(xué)抽象方法(圖 10)。FSM 是一種由預(yù)定數(shù)量的狀態(tài)和狀態(tài)之間的轉(zhuǎn)換組成的行為模型,類似于流程圖。傳感器可以設(shè)為用戶定義模式一旦滿足,就立即生成決策標(biāo)志。為了便于實(shí)現(xiàn)決策功能,意法半導(dǎo)體有些傳感器嵌入了16 狀態(tài)機(jī)。
圖 11 - 傳感器的嵌入式有限狀態(tài)機(jī)
- 機(jī)器學(xué)習(xí)核心 (MLC)[5]
MLC機(jī)器學(xué)習(xí)核心不是用來(lái)處理復(fù)雜數(shù)據(jù)的,所以它不能做有限狀態(tài)機(jī)的工作。MLC 確實(shí)可以將一些原本應(yīng)在應(yīng)用處理器上運(yùn)行的低密度算法轉(zhuǎn)移到 MEMS 傳感器上,從而顯著降低系統(tǒng)功耗。當(dāng)數(shù)據(jù)模式與用戶定義的一個(gè)類集合匹配時(shí),MLC 可以識(shí)別這些數(shù)據(jù)模式。傳感器使用包含濾波器的可配置的專用計(jì)算模塊和在用戶設(shè)定的固定時(shí)間窗口內(nèi)計(jì)算出來(lái)的特征來(lái)過(guò)濾輸入數(shù)據(jù)。機(jī)器學(xué)習(xí)處理的基本原理是通過(guò)一系列可配置的節(jié)點(diǎn)以“如果-那么-否則”為條件比較預(yù)設(shè)閾值和“特征”值的邏輯處理過(guò)程(圖 11)。
圖 12 - 傳感器的MLC內(nèi)的決策過(guò)程
總之,作為工業(yè) 4.0應(yīng)用的基本組成部分,傳感器是預(yù)測(cè)性維護(hù)中必不可少的組件,并且,利用內(nèi)置的智能功能,傳感器可以降低主控制器的負(fù)荷,從而提高整個(gè)系統(tǒng)的能效。作為 MEMS 傳感器行業(yè)的領(lǐng)導(dǎo)者,意法半導(dǎo)體提供全系列的傳感器(加速度計(jì)、陀螺儀、磁力計(jì)、振動(dòng)傳感器、傳聲器、壓力傳感器、濕度傳感器、溫度傳感器、激光傳感器和紅外傳感器等)。在預(yù)測(cè)性維護(hù)等應(yīng)用領(lǐng)域,這個(gè)范圍廣泛的產(chǎn)品在創(chuàng)新概念和實(shí)際應(yīng)用之間架起了一座重要的橋梁。
Resource and Reference參考文獻(xiàn)
[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
?