傳感器在工業(yè)4.0預測性維護中的應用

工業(yè)預測性維護概念存在已久，最早可以追溯到人們第一次說(shuō)“機器很快就會(huì )壞了”的時(shí)候。從給手表內部的軸承加注潤滑油，到養護維修大型發(fā)電設備，從簡(jiǎn)單的家電，到復雜的空間站，預測性維護無(wú)處不在。

早期預測性維護在很大程度上依賴(lài)技工的專(zhuān)長(cháng)和直覺(jué)來(lái)解決問(wèn)題或診斷故障，而今天的先進(jìn)診斷設備和工業(yè) 4.0 技術(shù)增加了電子傳感器和機械傳感器，能夠更準確地發(fā)現并診斷問(wèn)題。傳感器已成為預測性維護應用的重要組件。

圖1—工業(yè) 4.0 中的典型預測性維護應用

作為工業(yè) 4.0 的重要組成部分，本地決策系統在設備內或附近收集傳感器數據，以此為依據做出正確判斷，幫助檢修人員提前發(fā)現昂貴、復雜的可能是遠程設備出現的小問(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)，因為人工智能是預測性維護應用的關(guān)鍵技術(shù)。通過(guò)直接在傳感器或主控制器上實(shí)現AI 和邊緣處理，例如，STM32[8] 中的 FP-AI-MONITOR1[7]，可以在本地執行數據分析決策。

圖1所示是一個(gè)典型的預測性維護應用示意圖，其中，傳感器檢測設備產(chǎn)生的信息并將數據傳給主控制器。在工業(yè)3.0 中，描述機器狀況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(wù)。在工業(yè) 4.0 中，主控制器在本地處理傳感數據，在本地做出決策。如果發(fā)送條件沒(méi)有滿(mǎn)足特定的通知標準，主控制器允許無(wú)線(xiàn)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到云端的數據量，降低了本地傳感器節點(diǎn)的功耗。

更深入地講，實(shí)現這個(gè)感知決策模塊有四個(gè)關(guān)鍵步驟： 重要參數識別； 數據分析； 傳感器選擇和決策樹(shù)位置選擇。

1)重要參數識別

許多參數可以指示機器的健康狀況。設計人員需要根據這些參數的特性和預測機器狀態(tài)的能力來(lái)篩選重要參數。在圖 2 的應用場(chǎng)景中，聲學(xué)、溫度和物理振動(dòng)加速度等參數都可以指示機器的重型軸承的磨損情況。設計人員將研究分析哪些參數可以用于預測軸承 60%健康狀態(tài)。最理想的是，只用一個(gè)參數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到60%。

在這個(gè)示例中，機器的健康狀況分為四個(gè)階段，如表1所示： 

表1——機器健康狀態(tài)分期

圖2–重要參數與機器健康狀況的關(guān)系

設定當重型軸承達到60%健康狀況時(shí)發(fā)出預警，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，如圖2所示，三個(gè)參數都可以指示軸承的磨損狀況。研究發(fā)現如下：

●   當軸承在t3 之后進(jìn)入損壞階段時(shí)，加速度數據給出強烈信號。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器達到50%健康狀況前的狀況，這意味著(zhù)我們無(wú)法在軸承損壞前準確地預判機器的健康狀況，所以，僅依靠加速度計的指示信息不足以預測早期磨損程度。

●   直到軸承進(jìn)入損壞階段t4，溫度數據才能準確地跟蹤軸承的健康狀況。不管什么原因引起軸承損壞，溫度參數都不能在摩擦力急劇增加之前給出軸承損壞的明顯信號。

●   超聲參數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。隨著(zhù)摩擦力增加，當軸承達到60%健康狀況時(shí)，它會(huì )發(fā)出一個(gè)明顯信號。 然而，從繪制的數據圖看，當軸承健康在 t3 左右下降到 50% 以下時(shí)，超聲波信號開(kāi)始失去對機器健康狀況的跟蹤，這是因為軸承嚴重磨損并破裂，極大地改變了軸承的特性，并導致軸承的振動(dòng)曲線(xiàn)超出了超聲掃描范圍。這個(gè)階段的強烈的振動(dòng)恰好可以被加速度計感知到。

從這個(gè)示例不難看出，超聲檢測是預測性維護實(shí)現60%健康狀況預警的重要參數。

2)數據分析

一旦確定了重要參數，下一步就是研究數據概要信息。設計人員必須評測不同的數據處理能力和 人工智能算法，才能可靠地預測機器的健康狀況。

有許多數據處理方法可用實(shí)現預測性維護應用，這些數據處理方法可分為兩大類(lèi)：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。時(shí)域信號的均方根 (RMS)、平均值或峰值檢測是典型的跟蹤值。比較原始數據或處理后數據的閾值或幅度可以獲得決策標志。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)應用中，有些數據分析是很復雜的，因為它們可能包含不同機械部件的振動(dòng)和其他機器的環(huán)境振動(dòng)。圖 3 所示是在時(shí)域中的數據分析示例。

圖3-時(shí)域加速波形示例

在這個(gè)例子中，電機不平衡產(chǎn)生的振動(dòng)幅度遠大于輸出軸產(chǎn)生的振動(dòng)幅度。如果采用RMS或平均值或其他的時(shí)域信號處理方法，傳感器是不能有效地識別輸出軸的振動(dòng)程度。

圖4-由多個(gè)波形組成的復雜波形

●   不過(guò)，有一個(gè)強大的信號處理方法可以管理復雜的信號。這種類(lèi)型的復雜波形是由多個(gè)簡(jiǎn)單波形組成，如圖 4 所示?？焖俑道锶~變換 (FFT) 是一個(gè)有效的波形分析工具，可將時(shí)域數據轉換為頻域數據，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，數據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)行準確的數據過(guò)濾，為決策樹(shù)提供更可靠的數據，實(shí)現更智能的決策。

參數識別和數據分析需要一些工具，下面是一些常用工具：

a)專(zhuān)業(yè)測量工具

可以使用現成的專(zhuān)業(yè)測量設備獲取準確而詳細的測量數據，要求苛刻的高精度應用強烈推薦采用這類(lèi)專(zhuān)業(yè)級測量設備。

b)評估演示套件

意法半導體等傳感器廠(chǎng)商提供免寫(xiě)軟件的評估套件(圖 6)。這些小主板，例如，STEVAL-MKI109V3，具有插接傳感器板卡的插座。設計人員可以選擇把喜歡的傳感器板卡插到主板上。有些廠(chǎng)商還提供用于控制傳感器的圖形用戶(hù)界面 (GUI)軟件。這些GUI軟件可以存取傳感器的全部寄存器，配置和檢索數據，不用寫(xiě)代碼，并提供實(shí)用的數據處理運算功能，例如，傅里葉變換FFT 就是其中的一個(gè)功能(圖 7)。

圖6 --STEVAL-MKI109V3評估板與傳感器板卡的連接

圖7--STEVAL-MKI109V3 GUI 截屏

若評估傳感器的特性功能及其適用性，建議使用免寫(xiě)代碼的評估板。這些板卡還可以執行初始數據采集，啟動(dòng)工程算法和數據分析過(guò)程。如果到了后面的原型開(kāi)發(fā)或概念驗證階段，傳感器廠(chǎng)商可能會(huì )提供另一個(gè)強大的開(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(xiàn)工業(yè)節點(diǎn) (STEVAL-STWINKT1B)^[10][11]是一個(gè)開(kāi)發(fā)套件和參考設計，可簡(jiǎn)化工況監測和預測性維護等先進(jìn)工業(yè)物聯(lián)網(wǎng)應用原型開(kāi)發(fā)和測試。

圖8--STEVAL-STWINKT1B

圖9-SensorTile Box與手機交互

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)級傳感器，包括慣性傳感器(振動(dòng)傳感器、加速度計、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(數字傳聲器和模擬傳聲器，有超聲波感應功能)，支持各類(lèi)狀態(tài)監測，尤其是與振動(dòng)分析相關(guān)的監測。該開(kāi)發(fā)套件還配有豐富的軟件包和優(yōu)化的固件庫，以及云端儀表板應用程序，以加快端到端整體解決方案的設計周期。

該套件板載Bluetooth^? 低能耗無(wú)線(xiàn)連接模塊，并可以插接一塊Wi-Fi無(wú)線(xiàn)連接子板 (STEVAL-STWINWFV1)。有線(xiàn)連接可以通過(guò)板載 RS485 收發(fā)器實(shí)現。

3)傳感器選型

手頭有了數據分析工具后，下一步就是選擇合適的傳感器：

a) 根據1) 中發(fā)現的重要參數選擇傳感器類(lèi)型

意法半導體提供加速度計、陀螺儀、磁力計、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)間穩定性，甚至提供產(chǎn)品生命周期保證。

b) 根據2) 中發(fā)現的最大測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。設計人員必須仔細研究這兩個(gè)參數，以選擇最適合的傳感器。圖 9 顯示了一系列我們?yōu)轭A測性維護應用場(chǎng)景推薦的型號。

圖10–根據應用場(chǎng)景選擇傳感器

4)決策樹(shù)位置選擇

作為業(yè)界公認的 MEMS 技術(shù)先驅?zhuān)?a class="contentlabel" href="http://dyxdggzs.com/news/listbylabel/label/意法半導體">意法半導體率先在傳感器產(chǎn)品中嵌入邊緣處理功能。設計人員可以給傳感器中的邊緣處理分區或將在主控制器內嵌入決策樹(shù)。最佳選擇取決于數據處理和決策樹(shù)的復雜程度。意法半導體傳感器中的決策功能分為三類(lèi)：

●   嵌入式簡(jiǎn)單邏輯

意法半導體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)間窗口閾值一旦達到預設值，就會(huì )觸發(fā)中斷標志。

●   有限狀態(tài)機 (FSM)^[6]

狀態(tài)機是用于設計邏輯連接的數學(xué)抽象方法(圖 10)。FSM 是一種由預定數量的狀態(tài)和狀態(tài)之間的轉換組成的行為模型，類(lèi)似于流程圖。傳感器可以設為用戶(hù)定義模式一旦滿(mǎn)足，就立即生成決策標志。為了便于實(shí)現決策功能，意法半導體有些傳感器嵌入了16 狀態(tài)機。

圖11-傳感器的嵌入式有限狀態(tài)機

●   機器學(xué)習核心 (MLC)^[5]

MLC機器學(xué)習核心不是用來(lái)處理復雜數據的，所以它不能做有限狀態(tài)機的工作。MLC 確實(shí)可以將一些原本應在應用處理器上運行的低密度算法轉移到 MEMS 傳感器上，從而顯著(zhù)降低系統功耗。當數據模式與用戶(hù)定義的一個(gè)類(lèi)集合匹配時(shí)，MLC 可以識別這些數據模式。傳感器使用包含濾波器的可配置的專(zhuān)用計算模塊和在用戶(hù)設定的固定時(shí)間窗口內計算出來(lái)的特征來(lái)過(guò)濾輸入數據。機器學(xué)習處理的基本原理是通過(guò)一系列可配置的節點(diǎn)以“如果-那么-否則”為條件比較預設閾值和“特征”值的邏輯處理過(guò)程（圖 11）。

圖12-傳感器的MLC內的決策過(guò)程

總之，作為工業(yè) 4.0應用的基本組成部分，傳感器是預測性維護中必不可少的組件，并且，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(gè)系統的能效。作為 MEMS 傳感器行業(yè)的領(lǐng)導者，意法半導體提供全系列的傳感器(加速度計、陀螺儀、磁力計、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)。在預測性維護等應用領(lǐng)域，這個(gè)范圍廣泛的產(chǎn)品在創(chuàng )新概念和實(shí)際應用之間架起了一座重要的橋梁。

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 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