每个预测性维护项目都从正常机器运行期间的机器特性检测开始,例如检测结构噪声和空气噪声的声学或固有频率,然后将其数字化并传输到计算机或云端。在本地数据处理这个领域中,我们采用边缘计算。这是可以应用本地AI解决方案(如 Intel Movidius )的地方。在云计算方面,第三方服务提供商可以提供无限的数据分析服务。边缘解决方案能够在毫秒范围内做出响应。尽管如此,互联网连接对于固件更新和远程监控是必不可少的。
原则上,群体智能(swarm intelligence)并不用于学习和改进过程,并且仅限于本地计算能力和用户自己的经验历史。另一方面,云计算能够进行在现场运作的所有系统的比较,并且可以从个别系统到其它系统的变化中得出结论。除了这种群体智能,云计算在计算能力或内存容量方面没有限制,你可以灵活地更改所使用的对数,例如,从静态数据分析到机器学习或深度学习。
虽然两种实施方案看起来不同,但在现实场景中,始终需要互联网连接和传感器数据的本地初始分析。然而,重要组件的扩展和持续的维护成本,都会相应地发生变化,这使得精确的成本效益分析变得更加复杂。
传感器的定位是决定性因素
无论是在本地还是在云中进行分析,都必须弄清楚可能发生损坏的位置以及最佳的检测位置。但是,传感器也可以安装在这个地方吗? 这个地方是否可以触达且是否有足够的空间? 环境噪音是否过大? 是持续不断还是以不规则的间隔发生的?
一旦明确了理想的安装位置,传感器类型通常已经确定了:如果所有因素都支持连接到设备或机器,这就是检测结构噪声。因此,冲击和振动传感器或加速度传感器就是要选择的工具。当放置在设备或机器外部时,可检测到空气传播的噪音。具有特定频率范围的MEMS麦克风传感器可用于这个用途,例如来自STMicroelectronics和英飞凌的传感器产品。由于它们通常带有吸收声波和降低声压的开口,因此在潮湿或多尘的环境中,如果没有采取特殊措施,它们是不合适使用的。在这种情况下,可以使用冲击和振动传感器或加速度传感器。
要回答预测性维护系统应涵盖哪个频率范围这个问题,可以应用以下经验法则:检测到的频率越高,损坏就可以越早地被记录。在16kHz以上超声波范围内,可以在实际发生损坏之前几个月检测到初始标志。当在最高16kHz可听范围内检测时,在损坏发生之前可能就仅剩下几周时间了。这时间对于某些机器或设备来说可能是足够的,但对其它机器或设备来说太晚了,我们必须根据具体情况进行检查:潜在的损坏有多严重?在获得备件和维修技术人员到达之前需要多长时间?是否可以随时停止机器进行维修或维护工作?例如,强烈建议在超声波范围内进行气体管道泄漏测试。如果泄漏产生可听噪声,对于预测性维护来说就已经太晚了。
如果在可听范围内的检测是足够的,则由机器或机器部件的类型来确定传感器应覆盖的频率范围。相关部件旋转得越快,检测到的频率就越高。例如,空气引导系统的损坏通常是由不平衡、不正确的调整或松动的连接引起的。这发生在约2kHz范围内。对于速度非常缓慢的移动部件,使用加速度传感器而不是麦克风传感器可以提供更好的检测结果。
通过组合麦克风、加速度、冲击和振动传感器可以提高误差检测过程的命中数。使用其它传感器类型时,甚至可以获得更多信息,例如检测温度、湿度或压力。当传感器彼此联网时,这种组合提供了最大的好处。然而,这不仅增加了传感器和连接的成本,而且还导致数据量和评估工作量的增加。因此,如果存在相应的潜在损坏,例如由于皮带故障或生产错误引起的损坏,甚至可能在较长时间段内未被注意到,则使用几个传感器的组合是有价值的。这对于偏远地点的系统也是有用的,例如,海上风电场,因为在这里不必要的工程师呼叫会导致高昂的成本。特别推荐对安全关键系统进行全面检测,例如汽车制动系统。
用于数据传输的新型无线技术
根据应用类型,各个传感器必须首先将其测量数据传输到本地数据采集器。具有集成无线电接口和集成AD转换器的微控制器,即所谓的无线SoC器件,非常适合这个用途。通常无线电堆栈已经免费提供并且为微控制器量身定制,因此只需要使用应用程序,将模拟数值进行数字化并传输到数据收集器,这仍然需要使用几条程序线来实现。数据收集器现在可以在本地评估数据,并且仅将其网关功能用于软件更新或临时报告。在这种情况下,LTE是足够快的互联网连接方式,并在未来数年内都具备安全的基础设施。对于云中的时间关键性数据分析,需要在几毫秒内完成反馈,5G技术将会绰绰有余。传感器与数据采集器的连接并不总能通过电缆来实现。
无线电技术通常更便宜、更灵活和更耐用。使用Nordic Semiconductor的nRF52840器件,你可以轻松选择蓝牙mesh 、ZigBee或用于星形拓扑的免费开源堆栈Gazell。NFC使传感器能够简便地连接到相应的数据收集器。这是第一次,可以通过集成的USB端口使用笔记本电脑来校准传感器。从一开始就决定只使用蓝牙5或蓝牙mesh的用户也可以切换到更便宜的产品型款,例如nRF52810。最新蓝牙5型款器件可在远程模式下实现长达一公里的传输范围。这使得该技术即使在先前1GHz以下技术不可或缺的情况下也很有用。
新的LTE类别适用于不使用数据采集器的传感器,或者由于通过边缘计算进行了强大数据压缩而仅需要将少量数据传输到互联网的数据采集器。它们无需单独的网关就可以建立从传感器到云的直接互联网连接,并将测量数值传输到云。
全新LTE类别
最新的LTE类别NB1和M1(也称为NB-IoT和LTE M1或LTE-M)非常适合预测性维护等需要在单独情况下传输少量数据的应用。
Nordic Semiconductor的nRF91系列同时支持LTE-M和NB-IoT。高度集成的系统级封装(SiP)配备了ARM Cortex M33微控制器,可对应用、传感器和执行器进行定制编程。其计算能力使得应用能够以更复杂的算法进行数据分析。这意味着:无线模块根据传感器提供的测量数据在现场生成信息,因此只需要发送少量数据。这可以优化整体能量平衡并将在线数据消耗保持在较低水平。除传感器外,还可以通过32个GPIO连接LED,例如,如果传感器检测到的数值过高,则LED用作现场警报,也可以连接按钮或开关继电器。
例如,如果需要,传感器点可以关闭整个系统,或者用户可以确认机器状态。
nRF91 SiP仍可提供集成辅助GPS。通过使用NB-IoT或LTE-M,这能够在冷启动期间快速定位位置以监控车辆或其它移动设备。
防止数据盗窃
由于传感器的测量值可以提供有关机器、系统和设备使用状况的大量信息,因此应该保护它们免受未经授权的访问。在这种情况下,nRF91还包含一个解决方案:带有TrustZone的主机处理器在CPU和系统中实现可信执行环境,从而有助于提高应用程序数据、固件和连接的外围设备的安全性。ARM CryptoCell可确保安全的内存访问,而TLS和SSL可确保数据传输的端到端加密。nRF91也非常适合与nRF52进行交互,正如nRF91开发套件所实现的方案。因此,这款多核双芯片解决方案可同时用于传感器连接的短程无线电网络和用于互联网连接的蜂窝网络。如果你选择nRF52系列的nRF52840,它还具有ARM TrustZone和CryptoCell技术。
成功因素 - 数据分析
从传感器传输数据后,最棘手的任务是数据分析。当滚子轴承的频率发生变化时,这意味着什么?这是否有发生故障的风险,是否只是生产过程改变了,还是周末机器停止运作了?或者是进行改变的干预因素?哪些偏差仍属于正常波动?最后:损坏发生的概率有多高,何时必须干预?
这导致特定的配置文件,其相应的参数和阈值存储在软件中。在第一次实际测试后可能需要重新调整。预测性维护系统还需要在生产变更、机器变更或类似变更的情况下进行调整。如果你将所有这些要点考虑在内,就离成功不远了:再也不会因未发现的老化系统而出现意外的机器损坏、停机或皮带故障。维护工作的支出可以更好地提前进行计划,而只有实际需要的备件才会自动保持库存。这不仅有利于用户,也有利于机器制造商。如果他们将预测性维护系统集成到产品中,可以通过更高的机器可用性为客户提供真正的附加价值。此外,他们可以使用经过评估的现场使用经验进一步开发产品。
什么是预测性维护?
与预防性维护相比,预测性维护不是基于固定维护周期,而是利用现场连续收集的测量数据和相应的数据评估进行的基于需求导向的维护操作。预测性维护记录机器、系统和设备的振动或变化噪音,而这些可能在实际损坏发生前的一段很长时间内就提示出机器运行存在问题。