選擇正確的加速度計，以進(jìn)行預測性維護

傳統維護一般是預防性或糾正性維護，通常會(huì )占用很大一部分生產(chǎn)成本?，F在，使用IIoT（工業(yè)物聯(lián)網(wǎng)）監測機器的健康狀態(tài)有助于實(shí)現預測性維護，讓行業(yè)人員能夠預測故障，從而大幅節省運營(yíng)成本。

由于工業(yè)設備普遍實(shí)現數字化和互聯(lián)互通，工業(yè)4.0得以實(shí)現，且正在助力生產(chǎn)工具變革。它就像一個(gè)游戲規則的改變者，讓生產(chǎn)鏈變得更加靈活，支持制造定制化產(chǎn)品，同時(shí)保持盈利。此外，數字化和工業(yè)物聯(lián)網(wǎng)連接對維護也大有裨益。使用傳感器，尤其是加速度計之后，可以分析機器的運行狀態(tài)，而不是每隔一段時(shí)間更換磨損的部件。在預測性維護框架內，只有在出現某些早期預警癥狀時(shí)，操作者才需要進(jìn)行干預。這種針對機器健康狀況的分析被稱(chēng)為基于狀態(tài)的監控(CbM)，與基于通常非常保守的固定時(shí)間表的系統型維護系統相比，能夠控制維護成本。除了維護操作計劃更為靈活之外，還能在早期階段檢測出問(wèn)題，讓操作人員能夠據此安排機器的停機時(shí)間，比起生產(chǎn)線(xiàn)以外停機，這顯然要好得多。

振動(dòng)分析：傳感器的重要性

制造商使用多種參數來(lái)確定啟動(dòng)維護操作的時(shí)間，這些參數包括振動(dòng)、噪聲、溫度測量等。在可測量的物理量中，振動(dòng)頻譜測量能夠針對旋轉機器（發(fā)動(dòng)機、發(fā)生器等）中的問(wèn)題的根源提供最多信息。異常振動(dòng)可能是滾珠軸承故障、軸偏差、不平衡、過(guò)度松散等問(wèn)題。每個(gè)問(wèn)題都有自己特有的癥狀，例如旋轉機器的振動(dòng)源。

采用加速度計測量振動(dòng)

振動(dòng)測量可以使用放置在被監測元件附近的加速度計進(jìn)行。這種傳感器可以是壓電式，也可以是MEMS類(lèi)型，后者更具優(yōu)勢，不僅可以在低頻率下提供更好的響應，而且體積小巧。

滾珠軸承發(fā)生故障時(shí)，每次滾珠碰觸到開(kāi)裂處，或者觸碰到內環(huán)或外環(huán)的缺陷位置，就會(huì )發(fā)生撞擊，引起振動(dòng)，甚至導致旋轉軸輕微移位。撞擊發(fā)生的頻率由轉動(dòng)速度，以及滾珠的數量和直徑?jīng)Q定。

但這不是全部！一旦故障出現，前面提到的撞擊有時(shí)候會(huì )產(chǎn)生可以聽(tīng)見(jiàn)的聲音，即沖擊波，表現為低能量譜分量和相對較高的頻率，通常大于5 kHz，而且總是遠遠超過(guò)基本的旋轉頻率。只有低噪聲、高帶寬加速度計（例如ADI公司的ADXL100x）才能測量與首個(gè)故障信號相對應的頻譜線(xiàn)。對于頻率響應較低或噪聲較高的產(chǎn)品無(wú)法感測到的問(wèn)題，這些加速度計可以提供一些寶貴信息。隨著(zhù)問(wèn)題惡化，低能量譜分量不斷增加。到了后期，入門(mén)級加速度計就可以檢測出振動(dòng)，但到了此時(shí)，解決故障會(huì )變得迫在眉睫，維護團隊需要在很短時(shí)間內做出反應。為了避免猝不及防，使用低噪聲、高帶寬加速度計在最初出現異常的時(shí)候就進(jìn)行檢測可謂至關(guān)重要。

圖1.基于問(wèn)題類(lèi)型的頻譜特征。滾珠軸承故障的首個(gè)跡象發(fā)生在高頻頻譜

除了ADXL100x系列加速度計(ADXL1001/ADXL1002/ADXL1003/ADXL1004/ADXL1005)之外，ADI公司還提供許多其他加速度計，對于分析機器狀態(tài)非常有用。在更嚴格的帶寬范圍內觀(guān)察發(fā)現，ADXL35x系列產(chǎn)品(ADXL354/ADXL355/ADXL356/ADXL357)具備低噪聲等級特性（噪聲低至20 μg/√Hz，帶寬為1500 Hz）。

與提供模擬輸出的ADXL100x系列產(chǎn)品不同，ADXL35x系列產(chǎn)品可以提供數字輸出，用于簡(jiǎn)化與微控制器的接口。

供消費電子使用的入門(mén)級產(chǎn)品，例如ADXL34x(ADXL343/ADXL344/ADXL345/ADXL346)或超低功耗ADXL36x (ADXL362/ADXL363)加速度計并不具備足以滿(mǎn)足高品質(zhì)預測性維護要求的帶寬或噪聲性能。

這些入門(mén)級產(chǎn)品不僅限制了現有設備的診斷能力，而且還極大地限制了用于開(kāi)發(fā)未來(lái)診斷解決方案的數據的可用性。

但是，它們卻是測量機器活動(dòng)的極佳選擇，例如，用于計算操作小時(shí)數，并在必要時(shí)啟動(dòng)維護——不是預測性維護，而是預防性維護。這些加速度計的功耗極低，因此可以通過(guò)能量采集器或通過(guò)電池供電。

如果只是需要監測和測量機器突然發(fā)生的撞擊，ADXL37x系列產(chǎn)品(ADXL372/ADXL375/ADXL377)就是理想的選擇。由于撞擊可能只會(huì )改變機器的精度或運行狀態(tài)，所以它可能會(huì )啟動(dòng)（例如）糾正性維護，以糾正可能出現的問(wèn)題。

從組件到完整模塊

如前所述，ADXL100x系列具有寬帶寬和低噪聲特點(diǎn)。但是，它們采用單軸，需要配備相關(guān)的處理電子設備。為了簡(jiǎn)化設計，

ADI公司提供了一套完整的解決方案，采用ADcmXL3021型號實(shí)施三軸測量。這款3.3 V電源電壓產(chǎn)品包括三個(gè)基于A(yíng)DXL1002的測量鏈、一個(gè)溫度傳感器、一個(gè)處理器和一個(gè)FIFO。整個(gè)裝置封裝在一個(gè)鋁殼(23.7 mm×26.7 mm×12mm)內，可以即時(shí)安裝在旋轉機器上。該產(chǎn)品的全尺寸為±50 g，具有僅25 μg/√Hz的極低噪聲水平和10 kHz帶寬，這些特點(diǎn)使其能夠在大量應用中捕捉振動(dòng)特征。

信號處理模塊不僅包括一個(gè)具有32個(gè)系數的可配置FIR濾波器，還包括一個(gè)每軸2048個(gè)節點(diǎn)的FFT函數，用于對振動(dòng)進(jìn)行頻譜分析。再將用這種方法計算得出的頻譜的每個(gè)頻率級別與可配置的報警閾值（每軸6個(gè)）進(jìn)行對比。如果頻譜組件過(guò)于密集，就會(huì )生成警報。本產(chǎn)品可以通過(guò)SPI端口與主機處理器進(jìn)行交互，提供訪(fǎng)問(wèn)內部寄存器以及一組用戶(hù)可配置的函數的權限，包括先進(jìn)的數學(xué)函數，例如計算平均值、標準偏差、最大值、波峰因素和峰度（四階動(dòng)力矩，支持測量振動(dòng)的銳度）。

表1.ADcmXL3021和ADXL100x系列非常適合CbM應用。

圖2.ADcmXL3021模塊，非常適合用于實(shí)施預測性維護

SmartMesh：適用于IIoT的網(wǎng)絡(luò )，非常適合用于實(shí)施預測性維護

無(wú)線(xiàn)網(wǎng)絡(luò )特別適合用于從振動(dòng)傳感器收集維護數據。它的速度不需要多快，但必須足夠健壯，能夠在通常非常嘈雜、且采用金屬結構、傳導性很差的工業(yè)環(huán)境中運行。它還必須能夠從大量傳感器收集數據，而這些傳感器不一定非?？拷鼣祿涗浧?。為了滿(mǎn)足這一需求，ADI公司推出SmartMesh? IP工業(yè)Mesh網(wǎng)絡(luò )，該網(wǎng)絡(luò )功耗低，且具有相當高的抗擾性。最后一個(gè)標準對于維護模塊非常重要，為其供電的能量采集器或鋰電池必須運行5到10年，中間不能進(jìn)行更換。SmartMesh IP網(wǎng)絡(luò )基于6LoWPAN標準(IEEE 802.15.4e)，非常適合IIoT，且基于圍繞2.4 GHz傳輸的專(zhuān)有協(xié)議構建。該解決方案包含LTC5800收發(fā)器或預認證的LTP590x模塊，非常易于實(shí)施。

圖3.SmartMesh IP網(wǎng)絡(luò )非常適合用于實(shí)施IIoT和預測性維護操作

使用各種技術(shù)來(lái)保證傳輸可靠性大于99.999%，包括同步、通道跳變和時(shí)間戳，以及針對Mesh網(wǎng)絡(luò )的動(dòng)態(tài)重新配置，在信號最強勁的地方僅使用RF路徑。

為什么不求助于人工智能呢？

目前存在多種振動(dòng)分析技術(shù)。除了數字濾波被用于克服流程本身或者由機器的其他組件導致的寄生振動(dòng)之外，還可以使用數學(xué)工具進(jìn)行輔助，例如ADcmXL3021中包含的工具（計算平均值、標準偏差、波峰因素、峰度等）。分析可以在時(shí)域中進(jìn)行，但頻率分析才是提供最多關(guān)于異常及異常原因的信息的分析。頻率分析甚至可用于計算被同化為信號頻譜中頻譜的倒譜（反向傅里葉變換被用于計算信號傅里葉變換的對數）。但是，無(wú)論使用哪種分析方法，困難之處在于確定最佳警報閾值，以使維護操作既不會(huì )太早也不會(huì )太遲。

可以采用一種方法替代傳統的警報閾值配置，即在故障識別流程中引入人工智能。在機器學(xué)習階段，云資源被用于基于來(lái)自振動(dòng)傳感器的數據創(chuàng )建代表性的機器模型。模型創(chuàng )建完成之后，可以下載至本地處理器。使用嵌入式軟件不僅可以實(shí)時(shí)識別正在發(fā)生的事件，還可以識別瞬態(tài)事件，從而能夠檢測異常。

表2.糾正性、預防性和預測性維護的成本對比

 旋轉機器中的振動(dòng)源

旋轉機器經(jīng)常遇到的一個(gè)問(wèn)題就是滾珠軸承出現故障。對從放置在軸承附近的加速度計獲取的數據進(jìn)行頻譜分析，可以得出許多特征線(xiàn)、振幅和頻率，它們都由旋轉的速度和問(wèn)題原因決定。

所述系統的特征頻率包括：

?     軸承套的旋轉頻率：

?     與外環(huán)（固定）上的缺陷有關(guān)的頻率：

?     與內環(huán)（軸）上的缺陷有關(guān)的頻率：

?     除了這些頻率特征外，滾珠越過(guò)缺陷位置（開(kāi)裂、剝落等）所產(chǎn)生的沖擊波還會(huì )引起高頻振動(dòng)(>5 kHz)，有時(shí)甚至可以聽(tīng)到。

圖4.滾珠軸承 

?    N：滾珠數量

?     Φ：接觸角度

?     faxle：軸的旋轉頻率

?     d：滾珠直徑

?     D：滾珠的平均直徑

關(guān)于新服務(wù)

除了為預測性維護構建模型之外，人工智能和云訪(fǎng)問(wèn)還開(kāi)啟了通向諸多可能性的大門(mén)。將振動(dòng)測量數據與來(lái)自其他傳感器的數據（壓力、溫度、旋轉、功率等）相關(guān)聯(lián)，可以推斷出關(guān)于系統狀態(tài)的許多信息，遠多于維護所需的數據量。將基礎數據合并可以進(jìn)一步優(yōu)化設備模型，不僅可用于檢測機械故障，還能夠處理問(wèn)題（例如，空輸送帶、內部沒(méi)有流液的泵、不含膏體的混合器等）。因此，我們可以考慮設備制造商通過(guò)將設備供應、維護，以及對生產(chǎn)線(xiàn)的性能和問(wèn)題實(shí)施的統計分析結合起來(lái)，為他們的最終客戶(hù)提供的多種服務(wù)。配備了傳感器模塊之后，基本的電機會(huì )成為大數據概念的主要參與者。

作者簡(jiǎn)介

Bertrand Campagnie在A(yíng)DI公司工作已超過(guò)22年。他之前負責管理應用團隊，現在負責工業(yè)、醫療和消費電子領(lǐng)域的戰略性客戶(hù)。Bertrand擁有斯特拉斯堡國立高等物理學(xué)校工程學(xué)位和微電子深入研究文憑。