传感器在工业 4.0 预测性维护中的应用.docx
《传感器在工业 4.0 预测性维护中的应用.docx》由会员分享,可在线阅读,更多相关《传感器在工业 4.0 预测性维护中的应用.docx(11页珍藏版)》请在第一文库网上搜索。
1、传感器在工业4.0预测性维护中的应用工业预测性维护概念存在已久,最早可以追溯到人们第一次说“机器很快就会坏了”的时候。从给手表内部的轴承加注润滑油,到养护维修大型发电设备,从简单的家电,到复杂的空间站,预测性维护无处不在。早期预测性维护在很大程度上依赖技工的专长和直觉来解决问题或诊断故障,而今天的先进诊断设备和工业4.0技术增加了电子传感器和机械传感器,能够更准确地发现并诊断问题。传感器已成为预测性维护应用的重要组件。Figure 1 - Typical PM Application in Industry 4.0图1一工业4.0中的典型预测性维护应用作为工业4.0的重要组成部分,本地决策系统
2、在设备内或附近收集传感器数据,以此为依据做出正确判断,帮助检修人员提前发现昂贵、复杂的可能是远程设备出现的小问题,避免酿成大事故。这个功能要求传感器必须具有边缘处理13能力和人工智能(A1),因为人工智能是预测性维护应用的关键技术。通过直接在传感器或主控制器上实现AI和边缘处理,例如,STM328中的FP-AI-MONTTOR17,可以在本地执行数据分析决策。图1所示是一个典型的预测性维护应用示意图,其中,传感器检测设备产生的信息并将数据传给主控制器。在工业3.0中,描述机器状况的原始传感器数据宜接传输给操作员,不涉及任何本地处理或决策任务。在工业4.0中,主控制器在本地处理传感数据,在本地做
3、出决策。如果发送条件没有满足特定的通知标准,主控制器允许无线连接模块部分睡眠。操作员仅在收到云端的通知消息后才开始介入。这种方法减少了传输到云端的数据量,降低了本地传感器节点的功耗。更深入地讲,实现这个感知决策模块有四个关键步骤:重要参数识别;数据分析;传感器选择和决策树位置选择。1)重要参数识别许多参数可以指示机器的健康状况。设计人员需要根据这些参数的特性和预测机器状态的能力来筛选重要参数。在图2的应用场景中,声学、温度和物理振动加速度等参数都可以指示机器的重型轴承的磨损情况。设计人员将研究分析哪些参数可以用于预测轴承6096健康状态。最理想的是,只用一个参数就足以提供最有意义的信息,并让决
4、策树能够判断轴承健康状况已达到60%o在这个示例中,机器的健康状况分为四个阶段,如表1所示:表1机器健康状态分期健志时间节点机器状况措瓶80%开始磨损维修信号60%t2摩擦力增加需要维修50%轴承开始破裂需要更换30%t4紧急更换严重事故M.h.rcHtaRh图2 -重要参数与机器健康状况的关系设定当重型轴承达到60%健康状况时发出预警,我们捕获了加速度、超声波和温度与时间(周)的关系并绘制成图,以便分析研究重要参数,如图2所示,三个参数都可以指示轴承的磨损状况。研究发现如下: 当轴承在t3之后进入损坏阶段时,加速度数据给出强烈信号。但是,它不能很好地跟踪t3之前的健康状态,也就是不能有效记录
5、机器达到50%健康状况前的状况,这意味着我们无法在轴承损坏前准确地预判机器的健康状况,所以,仅依靠加速度计的指示信息不足以预测早期磨损程度。 直到轴承进入损坏阶段t4,温度数据才能准确地跟踪轴承的健康状况。不管什么原因引起轴承损坏,温度参数都不能在摩擦力急剧增加之前给出轴承损坏的明显信号。 超声参数可以有效地跟踪轴承的健康状况,最早在tl时就能发出信号。随着摩擦力增加,当轴承达到6096健康状况时,它会发出一个明显信号。然而,从绘制的数据图看,当轴承健康在t3左右下降到50%以下时,超声波信号开始失去对机器健康状况的跟踪,这是因为轴承严重磨损并破裂,极大地改变了轴承的特性,并导致轴承的振动曲线
6、超出了超声扫描范围。这个阶段的强烈的振动恰好可以被加速度计感知到。从这个示例不难看出,超声检测是预测性维护实现60%健康状况预警的重要参数。2)数据分析一旦确定了重要参数,下一步就是研究数据概要信息。设计人员必须评测不同的数据处理能力和人工智能算法,才能可靠地预测机器的健康状况。有许多数据处理方法可用实现预测性维护应用,这些数据处理方法可分为两大类:时域和频域9。每种方法都有各种的优缺点。时域方法简单易懂,算力要求低。传感器的输出始终在时域范围内。时域信号的均方根(RMS)、平均值或峰值检测是典型的跟踪值。比较原始数据或处理后数据的阈值或幅度可以获得决策标志。这种方法的缺点是它仅适用于简单的波
7、形分析。在实际工业应用中,有些数据分析是很复杂的,因为它们可能包含不同机械部件的振动和其他机器的环境振动。图3所示是在时域中的数据分析示例。图3 -时域加速波形示例在这个例子中,电机不平衡产生的振动幅度远大于输出轴产生的振动幅度。如果采用RMS或平均值或其他的时域信号处理方法,传感器是不能有效地识别输出轴的振动程度。图4 -由多个波形组成的复杂波形不过,有一个强大的信号处理方法可以管理复杂的信号。这种类型的复杂波形是由多个简单波形组成,如图4所示。快速傅里叶变换(FFT)是一个有效的波形分析工具,可将时域数据转换为频域数据,把不同部件产生的振动置于不同频谱中,如图5所示。图5 -频谱傅里叶变换
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 传感器在工业 4.0 预测性维护中的应用 传感器 工业 预测 维护 中的 应用