选择正确的加速度计 以进行预测性维护

图2. ADcmXL3021模块，非常适合用于实施预测性维护。

信号处理模块不仅包括一个具有32个系数的可配置FIR滤波器，还包括一个每轴2048个节点的FFT函数，用于对振动进行频谱分析。再将用这种方法计算得出的频谱的每个频率级别与可配置的报警阈值（每轴6个）进行对比。如果频谱组件过于密集，就会生成警报。本产品可以通过SPI端口与主机处理器进行交互，提供访问内部寄存器以及一组用户可配置的函数的权限，包括先进的数学函数，例如计算平均值、标准偏差、最大值、波峰因素和峰度（四阶动力矩，支持测量振动的锐度）。

SmartMesh：适用于IIoT的网络，非常适合用于实施预测性维护

无线网络特别适合用于从振动传感器收集维护数据。它的速度不需要多快，但必须足够健壮，能够在通常非常嘈杂、且采用金属结构、传导性很差的工业环境中运行。它还必须能够从大量传感器收集数据，而这些传感器不一定非常靠近数据记录器。为了满足这一需求，ADI公司推出 SmartMesh® IP 工业Mesh网络，该网络功耗低，且具有相当高的抗扰性。最后一个标准对于维护模块非常重要，为其供电的能量采集器或锂电池必须运行 5 到 10年，中间不能进行更换。SmartMesh IP网络基于6LoWPAN标准 (IEEE 802.15.4e)，非常适合IIoT，且基于围绕2.4 GHz传输的专有协 议构建。该解决方案包含 LTC5800 收发器或预认证的LTP590x模块，非常易于实施。

图3. SmartMesh IP网络非常适合用于实施IIoT和预测性维护操作。

使用各种技术来保证传输可靠性大于99.999%，包括同步、通道跳变和时间戳，以及针对Mesh网络的动态重新配置，在信号最强劲的地方仅使用RF路径。

为什么不求助于人工智能呢？

T目前存在多种振动分析技术。除了数字滤波被用于克服流程本身或者由机器的其他组件导致的寄生振动之外，还可以使用数学工具进行辅助，例如ADcmXL3021中包含的工具（计算平均值、标准偏差、波峰因素、峰度等）。分析可以在时域中进行，但频率分析才是提供最多关于异常及异常原因的信息的分析。频率分析甚至可用于计算被同化为信号频谱中频谱的倒谱（反向傅里叶变换被用于计算信号傅里叶变换的对数）。但是，无论使用哪种分析方法，困难之处在于确定最佳警报阈值，以使维护操作既不会太早也不会太迟。

可以采用一种方法替代传统的警报阈值配置，即在故障识别流程中引入人工智能。在机器学习阶段，云资源被用于基于来自振动传感器的数据创建代表性的机器模型。模型创建完成之后，可以下载至本地处理器。使用嵌入式软件不仅可以实时识别正在发生的事件，还可以识别瞬态事件，从而能够检测异常。

旋转机器中的振动源

旋转机器经常遇到的一个问题就是滚珠轴承出现故障。对从放置在轴承附近的加速度计获取的数据进行频谱分析，可以得出许多特征线、振幅和频率，它们都由旋转的速度和问题原因决定。

所述系统的特征频率包括：
轴承套的旋转频率：

与外环（固定）上的缺陷有关的频率：

与内环（轴）上的缺陷有关的频率：

图4. 滚珠轴承。

关于新服务

除了为预测性维护构建模型之外，人工智能和云访问还开启了通向诸多可能性的大门。将振动测量数据与来自其他传感器的数据（压力、温度、旋转、功率等）相关联，可以推断出关于系统状态的许多信息，远多于维护所需的数据量。将基础数据合并可以进一步优化设备模型，不仅可用于检测机械故障，还能够处理问题（例如，空输送带、内部没有流液的泵、不含膏体的混合器等）。因此，我们可以考虑设备制造商通过将设备供应、维护，以及对生产线的性能和问题实施的统计分析结合起来，为他们的最终客户提供的多种服务。配备了传感器模块之后，基本的电机会成为大数据概念的主要参与者。