傳統維護一般是預防性或糾正性維護，通常會占用很大一部分生產成本。現在，使用IIoT（工業物聯網）監測機器的健康狀態有助于實現預測性維護，讓行業人員能夠預測故障，從而大幅節省運營成本。

　　由于工業設備普遍實現數字化和互聯互通，工業4.0得以實現，且正在助力生產工具變革。它就像一個游戲規則的改變者，讓生產鏈變得更加靈活，支持制造定制化產品，同時保持盈利。此外，數字化和工業物聯網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，而不是每隔一段時間更換磨損的部件。在預測性維護框架內，只有在出現某些早期預警癥狀時，操作者才需要進行干預。這種針對機器健康狀況的分析被稱為基于狀態的監控(CbM)，與基于通常非常保守的固定時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題，讓操作人員能夠據此安排機器的停機時間，比起生產線以外停機，這顯然要好得多。

振動分析：傳感器的重要性

　　制造商使用多種參數來確定啟動維護操作的時間，這些參數包括振動、噪聲、溫度測量等。在可測量的物理量中，振動頻譜測量能夠針對旋轉機器（發動機、發生器等）中的問題的根源提供最多信息。異常振動可能是滾珠軸承故障、軸偏差、不平衡、過度松散等問題。每個問題都有自己特有的癥狀，例如旋轉機器的振動源。

采用加速度計測量振動

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

　　滾珠軸承發生故障時，每次滾珠碰觸到開裂處，或者觸碰到內環或外環的缺陷位置，就會發生撞擊，引起振動，甚至導致旋轉軸輕微移位。撞擊發生的頻率由轉動速度，以及滾珠的數量和直徑決定。

　　但這不是全部！一旦故障出現，前面提到的撞擊有時候會產生可以聽見的聲音，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）才能測量與首個故障信號相對應的頻譜線。對于頻率響應較低或噪聲較高的產品無法感測到的問題，這些加速度計可以提供一些寶貴信息。隨著問題惡化，低能量譜分量不斷增加。到了后期，入門級加速度計就可以檢測出振動，但到了此時，解決故障會變得迫在眉睫，維護團隊需要在很短時間內做出反應。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候就進行檢測可謂至關重要。

圖1.基于問題類型的頻譜特征。滾珠軸承故障的首個跡象發生在高頻頻譜

　　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，對于分析機器狀態非常有用。在更嚴格的帶寬范圍內觀察發現，ADXL35x系列產品(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系列產品不同，ADXL35x系列產品可以提供數字輸出，用于簡化與微控制器的接口。

　　供消費電子使用的入門級產品，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足高品質預測性維護要求的帶寬或噪聲性能。

　　這些入門級產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發未來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的極佳選擇，例如，用于計算操作小時數，并在必要時啟動維護——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，因此可以通過能量采集器或通過電池供電。

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

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。但是，它們采用單軸，需要配備相關的處理電子設備。為了簡化設計，

　　ADI公司提供了一套完整的解決方案，采用ADcmXL3021型號實施三軸測量。這款3.3 V電源電壓產品包括三個基于ADXL1002的測量鏈、一個溫度傳感器、一個處理器和一個FIFO。整個裝置封裝在一個鋁殼(23.7 mm×26.7 mm×12mm)內，可以即時安裝在旋轉機器上。該產品的全尺寸為±50 g，具有僅25 μg/√Hz的極低噪聲水平和10 kHz帶寬，這些特點使其能夠在大量應用中捕捉振動特征。

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

表1.ADcmXL3021和ADXL100x系列非常適合CbM應用

圖2.ADcmXL3021模塊，非常適合用于實施預測性維護

SmartMesh：適用于IIoT的網絡，非常適合用于實施預測性維護

　　無線網絡特別適合用于從振動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、傳導性很差的工業環境中運行。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常靠近數據記錄器。為了滿足這一需求，ADI公司推出SmartMesh? IP工業Mesh網絡，該網絡功耗低，且具有相當高的抗擾性。最后一個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，中間不能進行更換。SmartMesh IP網絡基于6LoWPAN標準(IEEE 802.15.4e)，非常適合IIoT，且基于圍繞2.4 GHz傳輸的專有協議構建。該解決方案包含LTC5800收發器或預認證的LTP590x模塊，非常易于實施。

　　圖3.SmartMesh IP網絡非常適合用于實施IIoT和預測性維護操作

　　使用各種技術來保證傳輸可靠性大于99.999%，包括同步、通道跳變和時間戳，以及針對Mesh網絡的動態重新配置，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？

　　目前存在多種振動分析技術。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之外，還可以使用數學工具進行輔助，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）。分析可以在時域中進行，但頻率分析才是提供最多關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太早也不會太遲。

　　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。在機器學習階段，云資源被用于基于來自振動傳感器的數據創建代表性的機器模型。模型創建完成之后，可以下載至本地處理器。使用嵌入式軟件不僅可以實時識別正在發生的事件，還可以識別瞬態事件，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

旋轉機器中的振動源

　　旋轉機器經常遇到的一個問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行頻譜分析，可以得出許多特征線、振幅和頻率，它們都由旋轉的速度和問題原因決定。

　　所述系統的特征頻率包括：

　　軸承套的旋轉頻率：

　　與外環（固定）上的缺陷有關的頻率：

　　與內環（軸）上的缺陷有關的頻率：

　　除了這些頻率特征外，滾珠越過缺陷位置（開裂、剝落等）所產生的沖擊波還會引起高頻振動(>5 kHz)，有時甚至可以聽到。

　　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

關于新服務

　　除了為預測性維護構建模型之外，人工智能和云訪問還開啟了通向諸多可能性的大門。將振動測量數據與來自其他傳感器的數據（壓力、溫度、旋轉、功率等）相關聯，可以推斷出關于系統狀態的許多信息，遠多于維護所需的數據量。將基礎數據合并可以進一步優化設備模型，不僅可用于檢測機械故障，還能夠處理問題（例如，空輸送帶、內部沒有流液的泵、不含膏體的混合器等）。因此，我們可以考慮設備制造商通過將設備供應、維護，以及對生產線的性能和問題實施的統計分析結合起來，為他們的最終客戶提供的多種服務。配備了傳感器模塊之后，基本的電機會成為大數據概念的主要參與者。

作者簡介