傳感器在工業(yè)4.0預(yù)測性維護(hù)中的應(yīng)用

工業(yè)預(yù)測性維護(hù)概念存在已久，最早可以追溯到人們第一次說“機(jī)器很快就會(huì)壞了”的時(shí)候。從給手表內(nèi)部的軸承加注潤滑油，到養(yǎng)護(hù)維修大型發(fā)電設(shè)備，從簡單的家電，到復(fù)雜的空間站，預(yù)測性維護(hù)無處不在。

早期預(yù)測性維護(hù)在很大程度上依賴技工的專長和直覺來解決問題或診斷故障，而今天的先進(jìn)診斷設(shè)備和工業(yè) 4.0 技術(shù)增加了電子傳感器和機(jī)械傳感器，能夠更準(zhǔn)確地發(fā)現(xiàn)并診斷問題。傳感器已成為預(yù)測性維護(hù)應(yīng)用的重要組件。

圖1—工業(yè) 4.0 中的典型預(yù)測性維護(hù)應(yīng)用

作為工業(yè) 4.0 的重要組成部分，本地決策系統(tǒng)在設(shè)備內(nèi)或附近收集傳感器數(shù)據(jù)，以此為依據(jù)做出正確判斷，幫助檢修人員提前發(fā)現(xiàn)昂貴、復(fù)雜的可能是遠(yuǎn)程設(shè)備出現(xiàn)的小問題，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?yàn)槿斯ぶ悄苁穷A(yù)測性維護(hù)應(yīng)用的關(guān)鍵技術(shù)。通過直接在傳感器或主控制器上實(shí)現(xiàn)AI 和邊緣處理，例如，STM32[8] 中的 FP-AI-MONITOR1[7]，可以在本地執(zhí)行數(shù)據(jù)分析決策。

圖1所示是一個(gè)典型的預(yù)測性維護(hù)應(yīng)用示意圖，其中，傳感器檢測設(shè)備產(chǎn)生的信息并將數(shù)據(jù)傳給主控制器。在工業(yè)3.0 中，描述機(jī)器狀況的原始傳感器數(shù)據(jù)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(shù)據(jù)，在本地做出決策。如果發(fā)送條件沒有滿足特定的通知標(biāo)準(zhǔn)，主控制器允許無線連接模塊部分睡眠。操作員僅在收到云端的通知消息后才開始介入。這種方法減少了傳輸?shù)皆贫说臄?shù)據(jù)量，降低了本地傳感器節(jié)點(diǎn)的功耗。

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

1)重要參數(shù)識別

許多參數(shù)可以指示機(jī)器的健康狀況。設(shè)計(jì)人員需要根據(jù)這些參數(shù)的特性和預(yù)測機(jī)器狀態(tài)的能力來篩選重要參數(shù)。在圖 2 的應(yīng)用場景中，聲學(xué)、溫度和物理振動(dòng)加速度等參數(shù)都可以指示機(jī)器的重型軸承的磨損情況。設(shè)計(jì)人員將研究分析哪些參數(shù)可以用于預(yù)測軸承 60%健康狀態(tài)。最理想的是，只用一個(gè)參數(shù)就足以提供最有意義的信息，并讓決策樹能夠判斷軸承健康狀況已達(dá)到60%。

在這個(gè)示例中，機(jī)器的健康狀況分為四個(gè)階段，如表1所示： 

表1——機(jī)器健康狀態(tài)分期

圖2–重要參數(shù)與機(jī)器健康狀況的關(guān)系

設(shè)定當(dāng)重型軸承達(dá)到60%健康狀況時(shí)發(fā)出預(yù)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(shù)，如圖2所示，三個(gè)參數(shù)都可以指示軸承的磨損狀況。研究發(fā)現(xiàn)如下：

●   當(dāng)軸承在t3 之后進(jìn)入損壞階段時(shí)，加速度數(shù)據(jù)給出強(qiáng)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(jī)器達(dá)到50%健康狀況前的狀況，這意味著我們無法在軸承損壞前準(zhǔn)確地預(yù)判機(jī)器的健康狀況，所以，僅依靠加速度計(jì)的指示信息不足以預(yù)測早期磨損程度。

●   直到軸承進(jìn)入損壞階段t4，溫度數(shù)據(jù)才能準(zhǔn)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(shù)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(shù)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。隨著摩擦力增加，當(dāng)軸承達(dá)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(shù)據(jù)圖看，當(dāng)軸承健康在 t3 左右下降到 50% 以下時(shí)，超聲波信號開始失去對機(jī)器健康狀況的跟蹤，這是因?yàn)檩S承嚴(yán)重磨損并破裂，極大地改變了軸承的特性，并導(dǎo)致軸承的振動(dòng)曲線超出了超聲掃描范圍。這個(gè)階段的強(qiáng)烈的振動(dòng)恰好可以被加速度計(jì)感知到。

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

2)數(shù)據(jù)分析

一旦確定了重要參數(shù)，下一步就是研究數(shù)據(jù)概要信息。設(shè)計(jì)人員必須評測不同的數(shù)據(jù)處理能力和 人工智能算法，才能可靠地預(yù)測機(jī)器的健康狀況。

有許多數(shù)據(jù)處理方法可用實(shí)現(xiàn)預(yù)測性維護(hù)應(yīng)用，這些數(shù)據(jù)處理方法可分為兩大類：時(shí)域和頻域[9]。每種方法都有各種的優(yōu)缺點(diǎn)。

●   時(shí)域方法簡單易懂，算力要求低。傳感器的輸出始終在時(shí)域范圍內(nèi)。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(shù)據(jù)或處理后數(shù)據(jù)的閾值或幅度可以獲得決策標(biāo)志。這種方法的缺點(diǎn)是它僅適用于簡單的波形分析。在實(shí)際工業(yè)應(yīng)用中，有些數(shù)據(jù)分析是很復(fù)雜的，因?yàn)樗鼈兛赡馨煌瑱C(jī)械部件的振動(dòng)和其他機(jī)器的環(huán)境振動(dòng)。圖 3 所示是在時(shí)域中的數(shù)據(jù)分析示例。

圖3-時(shí)域加速波形示例

在這個(gè)例子中，電機(jī)不平衡產(chǎn)生的振動(dòng)幅度遠(yuǎn)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(fù)雜波形

●   不過，有一個(gè)強(qiáng)大的信號處理方法可以管理復(fù)雜的信號。這種類型的復(fù)雜波形是由多個(gè)簡單波形組成，如圖 4 所示。快速傅里葉變換 (FFT) 是一個(gè)有效的波形分析工具，可將時(shí)域數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，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(shù)據(jù)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(zhǔn)確的數(shù)據(jù)過濾，為決策樹提供更可靠的數(shù)據(jù)，實(shí)現(xiàn)更智能的決策。

參數(shù)識別和數(shù)據(jù)分析需要一些工具，下面是一些常用工具：

a)專業(yè)測量工具

可以使用現(xiàn)成的專業(yè)測量設(shè)備獲取準(zhǔn)確而詳細(xì)的測量數(shù)據(jù)，要求苛刻的高精度應(yīng)用強(qiáng)烈推薦采用這類專業(yè)級測量設(shè)備。

b)評估演示套件

意法半導(dǎo)體等傳感器廠商提供免寫軟件的評估套件(圖 6)。這些小主板，例如，STEVAL-MKI109V3，具有插接傳感器板卡的插座。設(shè)計(jì)人員可以選擇把喜歡的傳感器板卡插到主板上。有些廠商還提供用于控制傳感器的圖形用戶界面 (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(shù)據(jù)，不用寫代碼，并提供實(shí)用的數(shù)據(jù)處理運(yùn)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，建議使用免寫代碼的評估板。這些板卡還可以執(zhí)行初始數(shù)據(jù)采集，啟動(dòng)工程算法和數(shù)據(jù)分析過程。如果到了后面的原型開發(fā)或概念驗(yàn)證階段，傳感器廠商可能會(huì)提供另一個(gè)強(qiáng)大的開發(fā)工具，以大幅簡化開發(fā)任務(wù)，縮短開發(fā)周期。以STWIN 開發(fā)套件為例：

c)STWIN 無線工業(yè)節(jié)點(diǎn) (STEVAL-STWINKT1B)^[10][11]是一個(gè)開發(fā)套件和參考設(shè)計(jì)，可簡化工況監(jiān)測和預(yù)測性維護(hù)等先進(jìn)工業(yè)物聯(lián)網(wǎng)應(yīng)用原型開發(fā)和測試。

圖8--STEVAL-STWINKT1B

圖9-SensorTile Box與手機(jī)交互

STWIN 開發(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(jì)、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(shù)字傳聲器和模擬傳聲器，有超聲波感應(yīng)功能)，支持各類狀態(tài)監(jiān)測，尤其是與振動(dòng)分析相關(guān)的監(jiān)測。該開發(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(yīng)用程序，以加快端到端整體解決方案的設(shè)計(jì)周期。

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

3)傳感器選型

手頭有了數(shù)據(jù)分析工具后，下一步就是選擇合適的傳感器：

a) 根據(jù)1) 中發(fā)現(xiàn)的重要參數(shù)選擇傳感器類型

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

b) 根據(jù)2) 中發(fā)現(xiàn)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(shè)計(jì)人員必須仔細(xì)研究這兩個(gè)參數(shù)，以選擇最適合的傳感器。圖 9 顯示了一系列我們?yōu)轭A(yù)測性維護(hù)應(yīng)用場景推薦的型號。

圖10–根據(jù)應(yīng)用場景選擇傳感器

4)決策樹位置選擇

作為業(yè)界公認(rèn)的 MEMS 技術(shù)先驅(qū)，意法半導(dǎo)體率先在傳感器產(chǎn)品中嵌入邊緣處理功能。設(shè)計(jì)人員可以給傳感器中的邊緣處理分區(qū)或?qū)⒃谥骺刂破鲀?nèi)嵌入決策樹。最佳選擇取決于數(shù)據(jù)處理和決策樹的復(fù)雜程度。意法半導(dǎo)體傳感器中的決策功能分為三類：

●   嵌入式簡單邏輯

意法半導(dǎo)體MEMS 傳感器都有簡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(dá)到預(yù)設(shè)值，就會(huì)觸發(fā)中斷標(biāo)志。

●   有限狀態(tài)機(jī) (FSM)^[6]

狀態(tài)機(jī)是用于設(shè)計(jì)邏輯連接的數(shù)學(xué)抽象方法(圖 10)。FSM 是一種由預(yù)定數(shù)量的狀態(tài)和狀態(tài)之間的轉(zhuǎn)換組成的行為模型，類似于流程圖。傳感器可以設(shè)為用戶定義模式一旦滿足，就立即生成決策標(biāo)志。為了便于實(shí)現(xiàn)決策功能，意法半導(dǎo)體有些傳感器嵌入了16 狀態(tài)機(jī)。

圖11-傳感器的嵌入式有限狀態(tài)機(jī)

●   機(jī)器學(xué)習(xí)核心 (MLC)^[5]

MLC機(jī)器學(xué)習(xí)核心不是用來處理復(fù)雜數(shù)據(jù)的，所以它不能做有限狀態(tài)機(jī)的工作。MLC 確實(shí)可以將一些原本應(yīng)在應(yīng)用處理器上運(yùn)行的低密度算法轉(zhuǎn)移到 MEMS 傳感器上，從而顯著降低系統(tǒng)功耗。當(dāng)數(shù)據(jù)模式與用戶定義的一個(gè)類集合匹配時(shí)，MLC 可以識別這些數(shù)據(jù)模式。傳感器使用包含濾波器的可配置的專用計(jì)算模塊和在用戶設(shè)定的固定時(shí)間窗口內(nèi)計(jì)算出來的特征來過濾輸入數(shù)據(jù)。機(jī)器學(xué)習(xí)處理的基本原理是通過一系列可配置的節(jié)點(diǎn)以“如果-那么-否則”為條件比較預(yù)設(shè)閾值和“特征”值的邏輯處理過程（圖 11）。

圖12-傳感器的MLC內(nèi)的決策過程

總之，作為工業(yè) 4.0應(yīng)用的基本組成部分，傳感器是預(yù)測性維護(hù)中必不可少的組件，并且，利用內(nèi)置的智能功能，傳感器可以降低主控制器的負(fù)荷，從而提高整個(gè)系統(tǒng)的能效。作為 MEMS 傳感器行業(yè)的領(lǐng)導(dǎo)者，意法半導(dǎo)體提供全系列的傳感器(加速度計(jì)、陀螺儀、磁力計(jì)、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(yù)測性維護(hù)等應(yīng)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(yīng)用之間架起了一座重要的橋梁。

參考文獻(xiàn)

[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