请选择 进入手机版 | 继续访问电脑版

你的浏览器版本过低,可能导致网站不能正常访问!
为了你能正常使用网站功能,请使用这些浏览器。

工业互联网的“杀手级”应用:预测性维护

STMCU-管管 发布时间:2021-10-13 09:43
早在上世纪90年代,预测性维护就已经尝试被用于飞机发动机领域。近几年,随着工业人工智能技术和边缘计算技术的不断演进和日趋成熟,以往集中应用于高端装备的预测性维护,得以“飞入寻常百姓家”,具备了大范围应用的经济性前提。根据IoTAnalytics发布的报告:2022年之前,预测性维护市场将持续保持高速增长,复合年均增长率(CAGR)为39%,成为工业4.0落地的最短路径。
14.png

企业在对工业设备进行维护时,大致分为3种维护方式:


1)修复性维护:属于事后维护,修复性维护没有提前性,不能给维护团队提供备件准备时间,需要较长的停机维护时间。


2)预防性维护:属于事先维护,基于时间、性能等条件对设备进行定期维修,更多还是凭经验。


3)预测性维护:属于事先维护,基于安装在设备上的各种传感器,实时监控设备运行状态,更准确的判断故障何时发生。如果发现故障隐患,自动触发报警或修理命令。

放眼工业4.0、智能制造,预测性维护是大势所趋。相较于其他的维护方式,该方法能为预防性措施带来更精确的结果,从而避免故障的发生。预测性维护的优势是,当关键部件显露出故障的早期迹象时,可以在其使用寿命实际结束前进行更换,从而在不影响整体设备效率的情况下使资产产生更多收益。

而状态监测(CM:Condition Monitoring)是预测性维护的核心,它监测各种参数(例如振动或温度)以识别潜在故障的方法。这种方法旨在突出问题,允许在任何损坏发生之前安排预防性维护。连续状态监测技术通常用于压缩机,泵和电动机等设备。

13.png

如何设计状态监测


设计状态监测系统时,需要考虑许多不同的要求,从硬件和软件的角度进行探讨,同时考虑所有领域之间不同层次的集成需求。

典型的状态监测系统架构包括智能传感器节点和网关,它们位于或靠近被监测设备。这些设备的任务是收集数据,对数据进行预处理,并提供到企业层面的安全连接,进而支持跨后端不同阶段(如企业资源规划系统、企业制造系统或数据仓库系统)共享数据,以及与云连接等其他服务进行交互。系统设计自然会受到这种架构的影响,例如,安全连接的实现与数据的整合方式和地点直接相关。同时,处理能力的分配方式也会影响MCU和相关软件的选择。
15.png

▲工厂中的状态监测系统设计



智能传感器节点和网关:系统设计的核心


智能状态监测传感器是预测分析的关键要素。它们收集、记录、预处理并安全地传输数据,为之后在可视化工具和其他处理算法提供数据基础和依据。例如,温度的突然升高表明可能是设备问题,而小幅升高可能表示未来的可靠性问题。振动监测可以发现潜在的问题,例如错位或轴承故障。当振动分析显示旋转设备的谐波频率发生变化时,状态监测工具可以根据预测模型绘制设备退化情况。
16.png

网关既可以实现收集和处理来自多个智能传感器节点的数据,也可以充当连接桥,使能以太网、Wi-Fi、无线蜂窝或LPWAN技术实现到云的安全连接。

除了使用硬件(如运行控制软件的微控制器)用于收集和记录数据,还需要稳定且安全的通信信道来将处理后的数据传输给状态监测平台。电源管理产品也是关键要素,因为它们必须能够高效地提供系统所需的电源效率,并提供ESD保护,以确保系统稳健性。

这需要采用一种连贯的方法进行状态监测设计。除了功能之外,解决方案还需要能够在目标环境中正常运转。对于工业应用来说,这一点通常比较苛刻,而且用于附加装置(如智能传感器节点)的电力和空间可能是有限的,需要通过有线或无线接口增加连接。无线连接具有灵活性,但通常很难在嘈杂的电子环境(如工业制造工厂)中保持可靠的无线通信。数量众多的金属设备会抑制信号的顺畅传播,而电气环境也可能产生噪声。


鉴于此,这种设计方法延伸到了具体选择的传感器类型上。


MEMS技术近年来取得重大进展,目前在状态监测应用中使用MEMS传感器在技术和商业上都是可行的。这项技术涉及通过振动、旋转或加速使有质量的物体运动。由于物体体积较小,这种运动也可能由流体(如空气)的变化引起。从振动到气压传感,MEMS传感器应用于状态监测的案例比比皆是。

在许多情况下,传感节点将被改装到现有机器上,这类机械的使用寿命往往长达数年(甚至数十年),可以最大程度受益于状态监测,进一步延长其使用寿命和提高设备拥有者的投资回报。

微控制器是嵌入式解决方案的心脏


微控制器(MCU)充当控制中心,是硬件和软件(以及数字和模拟)之间的桥梁。从单核(8位总线)发展到32位多核,MCU的能力也在不断完善,可以执行更复杂的软件(包括整个实时操作系统),以协调安排复杂的测量算法。未来,MCU技术将实现更高层次的集成,由单一软件可配置的器件处理状态监测所涉及的更多整体功能。

MCU种类繁多,每一种器件在特性和功能方面都略有不同。这反映出选择和灵活性对于嵌入式设计的重要意义。


收集数据之后,还需要进行数据处理,具备在监测点执行相对复杂数学评判的能力很关键。基于Arm®Cortex®M4/M33/M7的STM32微控制器产品家族,以及基于Arm®Cortex®-A7®、具有强大浮点运算功能的STM32MP1微处理器系列可以在边缘端处理传感器数据。数千个STM32产品型号均允许用户通过STM32Cube.AI工具链实施神经网络和机器学习,从而实现预测性维护的深度学习算法。


连接技术日益重要


连接技术在状态监控中变得日益重要。在工业物联网(IIoT)推动下,无线连接技术取得了长足发展。将无线连接融入状态监测解决方案中需要了解各种无线技术及各自的优缺点。
17.png

个人局域网(PAN)采用蓝牙低功耗(BLE)等短距离技术,局域网(LAN)采用Wi-Fi等技术。以前,广域网(WAN)一直是蜂窝网络的主要应用方向,但低功耗广域网络(LPWAN)技术(特别是面向状态监测等低数据速率应用)的出现已经改变了这一局面。

许多无线协议已经(包括蓝牙、Zigbee和Thread)应用于工业领域。为覆盖较长距离而设计的协议包括LoRa和Sigfox,而Sub-1GHz收发器通常用于实现专有协议。在工业应用中,在较短的距离内使用无线连接也具有一定的优势,上传或下载数据或固件补丁到传感器节点。ST60,ST称之为毫米波非接触式连接器。这项技术具有超高带宽、低功耗、近距离、点对点的特点,是无需任何协议的物理传输产品,其目标是成为甚至替代连接器。在工业设备(领域例如:工况监测,机器视觉),可实现非接触式连接和物理/电气隔离,活动自如,体积小,可靠性高。

支持网络通信的网络协议(如ZigBee或新的BLEMesh)使这些短距离无线技术能够组成庞大的设备网络,并解决与传统点对点、星形或集线器网络拓扑相关的一些问题,使BLE广泛应用于楼宇自动化和远程监控领域,成为状态监测的理想选择。ST的BlueNRG系列单芯片解决方案和完全集成的模块使蓝牙的实现更加简单,可在状态监测应用中为超低功耗(电池供电型)传感器节点赋能。


LPWAN(如LoRa和Sigfox)的工作距离可长达数十公里,而系统功耗却很低,非常适合用于连接大型制造工厂的传感器节点。

STM32系列32位微控制器包括集成了无线连接功能的STM32WB(用于局域网)和STM32WL(用于广域网)等型号。STM32WB是一种双核微控制器,集成了符合IEEE802.15.4规范的认证软件栈及其支持的许多协议(如ZigBee、OpenThread、以及Bluetooth5.0)。STM32WL在同一芯片上集成了一个微控制器和完整的sub-GHz射频器件,比双芯片解决方案更具优势。

有线连接技术对工厂自动化也是不可或缺的。它仍然被认为是最可靠的数据传输方式,特别适用于点对点通信(P2P)。

近几年来,P2P通信已从传感器进化到下一个更高的层次(信号集中器,PLC等),IO-Link通信正在取得长足发展。IO-Link技术使传感器更加智能化(热插拔、即插即用、轻松实现节点自定义和配置)。ST提供广泛的解决方案(包括创新型L6364双通道设备收发器),帮助各种级别的开发人员轻松完成设计目标。



如何管理传感器上的数据


机器的状态隐含在其生成的数据中,如何在项目生命周期过程中收集、记录并最终预处理数据是一个大问题。该流程包括进行传感器节点数据同步和形成数据流(需要时以高速进行),以便创建数据库或开发控制算法。

高速数据记录器等软件工具就是为解决这一个问题而设计的。ST为其SensorTile无线工业节点(STWIN)开发了FP-SNS-DATALOG1功能包,以支持预测性维护和状态监测。它还可演示如何通过USB、蓝牙和Wi-Fi进行数据记录和形成数据流的示例项目。

将数据存储在本地可以降低传感器节点的总体功耗,因为数据的频繁通信会带来功耗。需要在频繁收集并共享的高分辨率数据或不频繁共享的较低分辨率数据之间进行权衡,从而确定所需的系统级资源,比如功率和带宽。它们还将用于确定数据分辨率、带宽和更新速率。可以使用低功耗的固态(非易失性)存储器(比如Flash)管理本地存储。系统的微控制器会集成足够大的可用闪存,不需要额外存储器,可以进一步显著降低系统功耗。


数据安全性


状态监测中的数据安全通常涉及使用身份验证、加密、密钥管理和配置等方法。STM32Trust等集成式解决方案具有安全启动和安全固件更新等安全特性,还配备了安全微控制器。ST专门设计了STSAFE系列产品,用于智能传感器节点和网关等设备。该系列产品提供实现安全通信所需的全部关键特性,包括身份验证、在设备之间建立安全信道、签名验证和密钥生成。即便使用的是I2C等串行总线,该系列产品也可用于保护两台设备之间的有线和无线连接。
18.png


在边缘端进行数据处理


收集完数据,就进入到了最后一步,即分析数据。单独查看一个传感器节点的数据不可能了解全部情况。只有将所有数据放在一起进行分析,才能得出真正切合实际的维护性见解。传感器中的人工智能(AI)可以提供此类分析。从了解机器正在做什么,到预测其将来的行为。

ST提供各种边缘计算功能,包括一个可以部署在MEMS传感器内部作为状态机的机器学习核心。如基于3D数字加速度计和3D数字陀螺仪的ISM330DHCXiNEMO惯性系统级封装,以及一个机器学习核心和有限状态机。

当需要更复杂的机器学习算法时,计算任务可以在智能传感器和微控制器之间展开。STM32Cube.AI扩展包及其开发环境支持这种解决方案,将预先训练的人工神经网络(ANN)转化为可在STM32微控制器上运行的最优C语言代码。这就使网络边缘具有推理能力,使传感器自身拥有新的功能,如异常检测和更快、更安全的分类。

收藏 评论0 发布时间:2021-10-13 09:43

举报

0个回答

所属标签

相似分享

关于意法半导体
我们是谁
投资者关系
意法半导体可持续发展举措
创新和工艺
招聘信息
联系我们
联系ST分支机构
寻找销售人员和分销渠道
社区
媒体中心
活动与培训
隐私策略
隐私策略
Cookies管理
行使您的权利
关注我们
st-img 微信公众号
st-img 手机版