Date: 2018-11-16 16:24:02

为了确保当今工业应用所需的高度自动化，设备必须更加高效、智能，熟悉环境并保持自身和控制的连接; 除此之外，它还必须更加可靠，并确保人类与它们相互协作的安全性。

制造业正在发生变化。我们称之为工业4.0、也有人说是“I4”、第四次工业革命、或工业物联网（IIoT），它是关于实时、同时、更有效、更灵活、更安全、更环保的方式进行生产。

引入与物联网相关的新技术和服务正在彻底改变许多工业应用。诸如工厂中有关自动化和工业预测性维护的举措以及构建更智能的工作环境的举措正在为新进入者和传统从业者创造很多新的机会，从而引发改变商业模式的创新的解决方案。

为了确保当今工业应用所需的高度自动化，设备必须更加高效、智能，熟悉环境并保持自身和控制的连接; 除此之外，它还必须更加可靠，并确保人类与它们相互协作的安全性。

以下问题不容回避：

1.什么是预测性维护？它的好处是什么？

任何经营工厂的人都希望以最短的停机时间保持最佳运行效率。他们也意识到任何带有活动部件的机器都会产生磨损并且不可避免地需要维修和修理。

一种简单的方法是以固定间隔安排维护任务，而不管设备的实际状况如何，这种方法叫做预防性维护，也称为PM（Preventive Maintenance）。计划很容易，但维护可能不及时，以至于并不能防止设备损坏和危险情况发生，或者可能在不需要时进行维护，从而导致过渡维护。

更智能的方法是基于状态的维护,也称为CBM（Condition Based Maintenance）。该方法基于观察到的机器状况来决策维护动作。因此，在故障发生之前并且仅在必要时执行维护，这样的好处是高效。缺点是在机器出现故障迹象之前不实施维护通常存在风险，并且可能在非常不方便的时候中断生产运行。

更好的方法是预测性维护，也称为PdM(Predictive Maintenance), 可以提前预测到维护要求，预测性维护的工作原理是将状态监测与故障模式的动态预测模型相结合。这种方法有望最大限度地保护机器并降低对生产的影响，而不必增加整体系统复杂性。

根据麦肯锡的一项研究，在工厂中使用预测性维护技术可以将停机时间减少到50％以上，并节省10%到40％的设备维护成本。

预测性维护依赖于状态监测，通过测量和分析机器的物理特性，如声音，位移，温度，磨损或振动。预测性维护通常基于旋转机器的振动分析，例如电机，泵，主轴，传送带，机器人和风扇等。

通常，机器的状况会随着时间的推移而恶化，这反映在测量值的逐渐变化中。图1显示了不同类型的信号如何反映电机随时间而恶化的情况。原则上，可以检测到越早的缺陷，维护成本越低，并且可能减少生产中断的时间。

图1电动机的劣化曲线和相关信号。振动信号频率频谱和相对故障原因（来源： STMicroelectronics）

直到最近，振动和声音发射等故障指标几乎都是基于压电或超声传感原理的分立便携式传感器探头进行监测。基于这些技术的诊断设备不仅相对复杂和昂贵，而且在可重复性，数据管理和分析方面有很大的制约限制。

由于采用了最先进的电子设备和先进的算法，现在可以采用新的方法。现在可以直接在机器上应用小型低功耗传感设备，监控多个参数，预处理采集的信号数据，并将数据发送到本地，远程或基于云的分析和控制设施。这些紧凑型智能传感器节点由传感器，微控制器，电源管理电路和有线或无线连接组成，与传统的状态监测设备相比具有许多优势：

•成本低：自主运行的智能传感器的成本远低于便携式压电探头和操作它们所需的熟练技术人员。

•可重复，可靠和及时的数据：在机器运行期间进行连续测量和分析，而不是根据可能错过早期或严重故障标志才采取维护计划。

•能够立即触发本地操作：智能算法可以在本地节点上分析数据并触发立即操作以保护设备并确保工作人员的安全。

•随时间调整监控参数：传感器节点可以配置为增加老化设备的容差。

•除了传感器节点能为单台机器提供本地监控优势外，它们还可用于云网络以收集大量数据，以进行更深入的预测性维护分析。

为了确保当今工业应用所需的高度自动化，设备必须更加高效，智能，了解环境并保持连接; 它还必须更加强大，并确保人类与它们相互作用的安全性。

2.预测性维护架构和技术

状态监视和预测维护系统包括许多智能传感器节点，这些节点通过网关连接到网络边缘服务器或云服务，如图2所示。

图2预测维护系统的一般架构和与ERP的集成（来源：STMicroelectronics）

根据企业资源管理体系结构，可以在传感器节点上使用嵌入式分析立即处理数据，也可以在远程服务器或云基础架构上处理数据。这些服务器可以随时间处理和关联许多数据集。预测性维护系统通常连接到ERP系统的维护和采购部分，以便及时订购备件。

在这些更广泛的系统中，在云，边缘服务器和传感器节点之间分配分析以实现最高效率和效率至关重要。基于节点检测机器劣化的能力允许在机器上立即采取纠正措施，这就可以防止进一步的损坏和故障。还可以在云端管理长期分析和操作，允许对大量预处理数据进行更复杂的分析，这对于确定趋势和优化本地分析模型非常有用。

图3显示了智能传感器节点中工作的众多组件。

图3用于振动分析的传感器节点（有线或无线）的框图（来源： STMicroelectronics）

可以使用各种类型的传感器，包括环境数据的温度，压力和湿度传感器，用于振动测量的加速度计，电流感测装置和用于超声波的麦克风。在状态监测和预测性维护系统中，必须定期验证传感器的正确操作，并且自检功能可以验证任何传感器的功能，无论其位于何处，都可以在不移动的情况下进行。

加速度计特别适用于旋转机器中的故障检测，其中振动的加速度，速度和振幅可以为即将发生的故障提供警告信号。另一个警告参数是超声发射，它可以先于振动进行检测（见图1）。

广泛应用于智能手机和其他消费领域的平板设备的微机电系统（Microelectromechanical Systems，MEMS）技术正在工业应用中获得越来越多的应用。MEMS器件成本更低，灵活性更高，并且在精度，稳定性，带宽，温度和动态范围方面正在缩小与压电传感器的差距。它们对高加速度冲击也更具弹性。

对于声音发射，可以在声学和超声波光谱（20 kHz以上）中进行分析，这可以非常早地检测到恶化，并可用于检测多种故障原因，包括气体泄漏和风扇和电机不平衡。

微控制器提供本地数据处理功能，包括数据捕获，处理和通信处理。微控制器在处理能力，存储器和接口方面提供更优化的功能，并可根据应用要求进行选择。

微控制器的关键处理任务之一是执行嵌入式分析：通常包括时域和频谱分析（FFT），以及其他嵌入式分析。

通过在传感器附近嵌入FFT分析，振动位移可以立即从源头被隔离。此外，可以开发FFT和其他预处理和分析，以过滤实际信号中的噪声并设置精确的警报阈值。

如图4所示就是一个很好的例子。

图4带有可编程阈值的频域筛选报警设置示例（Source STMicroelectronics）

机器学习和深度学习形式的人工智能（AI）是通过大量可用数据（机器学习所必需的）、现代编程技术和用于神经网络训练的开源工具、功能强大的云计算中心和不断改进的嵌入式处理系统来实现技术上的突破。

人工智能可以定义为机器执行逻辑分析，获取知识并适应随时间或在给定环境中适应环境变化的能力。这个定义完全符合我们想要从工厂机器上嵌入的传感器捕获的数据。

AI是一种从数据中提取有用信息并触发操作的方法。AI不是依靠专业程序员来创建指定目标应用程序的每个分析步骤的详细算法，而是允许机器“学习”并开发自己的数据分析方法。这种“学习”的结果可以被提炼成所谓的神经网络。

当我们看一下Predictive Maintenance系统的架构时，我们可以看到AI可以应用于不同的层次：从处理大量数据的云计算中心开发适当的神经网络，再到这些神经网络的压缩版本的微控制器可用于执行本地嵌入式分析。我们甚至可以在新一代智能传感器中直接部署神经网络。

连接是通过有线的工业协议，如，IO-Link，工业以太网，Modbus等，以及无线的标准，如，低功耗蓝牙，Wi-Fi，蜂窝等进行管理。在连接上并没有特定的解决方案，通常由工厂基础设施和其他情况来进行选择。

工业环境中的安全性要求智能传感器节点在数据处理和通信期间是安全的，以防止未经授权的访问并确保传感器与中央系统之间的可信链路。必须实现跨越各个级别（如微控制器到跨系统通信链路）实施安全性。

传感器中电池供电的电源管理至关重要，电源管理系统必须设计为允许状态监测传感器长时间（以年为单位）运行而无需认为干预。

为了确保当今工业应用所需的高度自动化，设备必须更加高效，智能，了解环境并保持连接; 它还必须更加强大，并确保人类与它们相互协作的安全性。

3.加快预测新维护解决方案的系统设计和现场测试

基于智能传感器系统设置预测性维护解决方案可能需要1到2年才能完全磨合好，其中涉及到以下几个重要的步骤：

l  定义系统架构；

l  以合适的成本和可用性，以正确的精度和稳定性寻找传感器；

l  定义微控制器所需的规格，包括计算能力，存储器和接口；

l  选择连接技术；

l  设计电源管理阶段和合适的外形；

l  实施所需的分析以及表征系统；

l  验证实际应用程序场景中的所有内容。

结 论

预测性维护是智能工厂的关键推动因素之一，当前的技术已经在可以实现传感、连接、安全、电源管理和嵌入式处理与人工智能的功能。如果增加云计算和连接，您将拥有创建复杂，高性能系统的所有要素，可以提供预测性维护应用程序的全部优势。

从而通过预测性维护解决方案切入工业4.0，实现弯道超车。