欧美综合自拍亚洲综合,欧美高清在线不卡免费观看,亚洲欧美国产精品第1页,亚洲高清视频一区,亚洲a∨精品一区二区三区下载,国产情侣91

工業預測性維護的概念已經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。

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

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 4.0 該技術增加了電子傳感器和機械傳感器，可以更準確地發現和診斷問題。傳感器已成為預測性維護應用的重要組成部分。

圖1—工業 4.0 典型的預測性維護應用

作為工業 4.0 本地決策系統在設備內或附近收集傳感器數據作出正確判斷，幫助維修人員提前發現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AI 以及邊緣處理，例如，STM32[8] 中的 FP-AI-MONITOR數據分析決策可在當地執行。

圖1顯示了傳感器檢測設備產生的信息并將數據傳輸給主控制器的典型預測性維護應用示意圖。在工業3.0 描述機器狀態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 主控制器在當地處理傳感數據，并在當地做出決定。主控制器允許無線連接模塊部分睡眠，如果發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。該方法減少了傳輸到云的數據量，降低了當地傳感器節點的功耗。

更深入地說，實現這一感知決策模塊有四個關鍵步驟： 重要參數識別； 數據分析； 選擇傳感器和決策樹的位置。

1)重要參數識別

許多參數可以指示機器的健康狀況。設計師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 聲學、溫度中，聲學、溫度和物理振動加速度等參數可以指示機器重軸承的磨損。哪些參數可以用來預測軸承 60%的健康狀態。最理想的是，只有一個參數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-機器健康狀態分階段

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

圖2–重要參數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。這三個參數都可以指示軸承的磨損。研究發現如下：

● 當軸承在t3 在進入損壞階段后，加速度數據給出了強烈的信號。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.溫度數據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，溫度參數都不能給出明顯的軸承損壞信號。

● 首先，超聲參數能有效跟蹤軸承的健康狀況 t1 可以發出信號。當軸承達到60%，當軸承達到60%的健康狀況時，它會發出明顯的信號。 然而，從繪制的數據圖來看，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。

2)數據分析

重要參數一旦確定，下一步就是研究數據概要信息。設計師必須評估不同的數據處理能力和 人工智能算法可靠預測機器的健康狀況。

實現預測性維護應用的數據處理方法有很多，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據或處理后數據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。一些數據分析在實際工業應用中非常復雜，因為它們可能包含不同機械部件的振動和其他機器的環境振動。圖 3 數據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，電機不平衡產生的振動幅度遠遠大于輸出軸產生的振動幅度。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) 將時域數據轉換為頻域數據，將不同部件產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，數據處理還可以使用平均值等其他技術方法RMS、峰值、神經網絡等，準確過濾數據，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常用的工具：

a)專業測量工具

現成的專業測量設備可用于獲取準確、詳細的測量數據，強烈推薦使用這類專業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，配置和檢索數據，無需編寫代碼，并提供實用的數據處理操作功能，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據，啟動工程算法和數據分析過程。在原型開發或概念驗證階段，傳感器制造商可能會提供另一個強大的開發工具，大大簡化開發任務，縮短開發周期。STWIN 以開發套件為例：

c)STWIN 無線工業節點 (STEVAL-STWINKT1B)[10][11]是先進工業物聯網應用原型的開發和測試，可以簡化工況監測和預測性維護。

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字傳感器和模擬傳感器)支持各種狀態監測，特別是振動分析。開發套件還配備了豐富的軟件包和優化的固件庫，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 實現收發器。

3)傳感器選型

手頭有數據分析工具后，下一步就是選擇合適的傳感器：

a) 根據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，甚至保證產品的生命周期。

b) 根據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。 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–根據應用場景選擇傳感器

4)選擇決策樹的位置

被業界認可 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品中。設計師可以將決策樹嵌入傳感器的邊緣處理分區或主控制器中。最佳選擇取決于數據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，就會觸發中斷標志。

● 有限狀態機 (FSM)[6]

狀態機用于設計邏輯連接數學抽象法(圖 10)。FSM 它是一種類似于流程圖的行為模型，由預定數量的狀態和狀態之間的轉換組成。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，一些意大利半導體傳感器嵌入了16 狀態機。

圖12-傳感器的MLC內部決策過程

總之，作為工業 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，從而提高整個系統的能效。作為 MEMS 意大利半導體是傳感器行業的領導者，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，這種廣泛的產品在創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