传感器在工业4.0预测性维护中的关键应用

你是否听说过工业预测性维护？实际上，这一概念的诞生时间远超大多数人的想象——几乎可以追溯到人类首次说出“这台机器好像快不行了”的那一刻。无论是给手表内部的轴承添加润滑油，还是对庞大的发电设备进行养护维修，从身边的智能家电到遥远的空间站，预测性维护的身影无处不在。

早期的预测性维护，很大程度上依赖资深技工的直觉与经验。他们凭借耳朵听、用手触摸，就能判断出机器的问题所在。然而，如今的情况已完全不同。随着工业4.0的深入发展，先进的诊断设备中集成了大量电子传感器与机械传感器，能够更精准、更早地捕捉到故障的苗头。毫不夸张地说，传感器已成为预测性维护应用中最核心的组件之一。

Figure 1 -- Typical PM Application in Industry 4.0

图 1—工业 4.0 中的典型预测性维护应用

作为工业4.0的关键组成部分，本地决策系统正在颠覆传统的运维模式。该系统在设备内部或附近收集传感器数据，并在本地进行实时判断。它能够帮助检修人员发现那些昂贵、复杂甚至远程设备上刚刚冒出的微小问题，从而避免演变为重大事故。要实现这一点，传感器必须具备边缘处理能力以及人工智能（AI）——后者正是预测性维护的核心技术。通过在传感器或主控制器上直接运行AI算法和边缘计算（例如STM32中的FP-AI-MONITOR1），数据分析与决策完全可以就地完成。

来看图1，这是一张典型的预测性维护应用示意图。传感器检测到设备信息后，将数据传输给主控制器。在工业3.0时代，原始传感器数据直接传输给操作员，没有任何本地处理或决策。而到了工业4.0，主控制器在本地对数据进行处理并做出决策。只有当满足特定的通知条件时，主控制器才会唤醒无线连接模块。操作员仅在收到云端通知后才进行干预。这种方案的优势显而易见：既减少了发送到云端的数据量，又降低了本地传感器节点的功耗。

进一步深入，要实现这个感知决策模块，需要遵循四个关键步骤：重要参数识别、数据分析、传感器选型以及决策树位置选择。

1) 重要参数识别

能够反映机器健康状况的参数有很多，但设计人员需要根据其特性从中筛选出真正有价值的。在图2所示的场景中，声学、温度以及物理振动加速度等参数，均可用于指示机器重型轴承的磨损程度。设计人员需要研究分析，究竟哪些参数能够有效预测轴承达到60%健康状况这一关键节点？理想情况下，仅用一个参数就足以提供足够的信息，让决策树做出准确判断。

在本例中，机器的健康状况被划分为四个阶段（见表1）：

表 1——机器健康状态分期

图 2 – 重要参数与机器健康状况的关系

我们设定在重型轴承达到60%健康状况时发出预警。将采集到的加速度、超声波和温度数据（与时间周期的关系）绘制成图表进行分析（图2）。结果颇有趣味：

加速度计：当轴承在t3之后进入损坏阶段时，加速度数据给出了强烈的信号。但它无法很好地跟踪t3之前的状态——也就是说，在轴承健康度降至50%之前，它基本处于“沉默”状态。这意味着我们无法在轴承损坏前提前预判，因此仅靠加速度计是不够的。

温度传感器：直到轴承进入损坏阶段t4，温度数据才能准确跟上轴承的健康状况。无论何种原因导致的损坏，温度参数都未能在摩擦力急剧增大前给出明确的预警信号。因此，它同样显得“后知后觉”。

超声波传感器：这一传感器的表现则优秀得多。它在t1时就能最早发出信号，并且随着摩擦力增大，当轴承达到60%健康状况时，信号会变得非常明显。不过有趣的是，当轴承健康度在t3左右下降到50%以下时，超声波信号反而开始失去对机器健康状况的跟踪能力。这是因为轴承严重磨损破裂后，其特性发生了剧变，振动曲线超出了超声扫描范围。而这一阶段的强烈振动，恰好可以被加速度计感知到。

从这个例子不难看出，如果你希望在轴承达到60%健康状况时发出预警，那么超声波检测显然是最关键的那个参数。

2) 数据分析

一旦确定了重要参数，下一步就是研究数据。设计人员必须评估不同的数据处理能力与AI算法，才能可靠地预测机器健康状态。

可用的数据处理方法很多，主要分为两大类：时域与频域。每种方法都有各自的优缺点。

时域方法简单直观，对算力要求也较低。传感器的输出本身就是时域信号。均方根（RMS）、平均值或峰值检测是典型的跟踪指标。将原始数据或处理后数据与阈值进行比较，即可得出决策标志。但这种方法的缺点是仅适用于较为简单的波形分析。实际工业应用中，数据往往非常复杂，可能包含不同机械部件的振动，甚至还有周围其他设备带来的环境振动。图3就是一个时域数据分析的实例。

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。如果仅使用RMS、平均值这类时域方法，传感器很难有效识别出输出轴的振动程度。

图 4 -由多个波形组成的复杂波形

不过，有一个强大的工具可以处理这种复杂信号。这种复杂的波形其实是由多个简单波形叠加而成（图4）。快速傅里叶变换（FFT）就是一种高效的波形分析工具。它能够将时域数据转换为频域数据，把不同部件产生的振动清晰地分布在不同的频谱上（图5）。

图 5 - 频谱

经过傅里叶变换后，不同来源的振动幅度就被分离开来。除了FFT，还可以利用平均值、RMS、峰值甚至神经网络等技术来准确过滤数据，为决策树提供更可靠的基础，从而实现更智能的决策。

进行参数识别与数据分析，需要一些趁手的工具：

a) 专业测量工具 可以使用现成的专业测量设备来获取准确详细的数据。对于精度要求苛刻的应用，强烈推荐这类专业级设备。

b) 评估演示套件 许多传感器厂商（例如意法半导体）会提供免写软件的评估套件（图6）。这些小主板（如STEVAL-MKI109V3）上带有插座，可以插接各种传感器板卡。有些厂商还提供图形用户界面（GUI）软件，无需编写一行代码，即可存取传感器的所有寄存器、配置参数并检索数据。而且这些GUI软件通常还提供了实用的数据处理功能，例如FFT（图7）。

图 6 -- STEVAL-MKI109V3评估板与传感器板卡的连接

图 7 -- STEVAL-MKI109V3 GUI 截屏

如果想评估某个传感器的特性和适用性，这些免写代码的评估板是绝佳选择。它们还可以用于初始数据采集，启动算法与数据分析。等到进入原型开发或概念验证阶段，厂商可能会提供更强大的开发工具，比如下面介绍的STWIN套件，能够极大简化开发任务，缩短周期。

c) STWIN 无线工业节点 (STEVAL-STWINKT1B) 是一个开发套件和参考设计，专门用于简化工况监测和预测性维护等工业物联网应用的原型开发与测试。

图 8 -- STEVAL-STWINKT1B

图 9 - SensorTile Box与手机交互

该套件基于STM32超低功耗微控制器，集成了各种工业级传感器：惯性传感器（振动、加速度计、6轴IMU、磁传感器）、环境传感器（高精度温度、压力、湿度）以及高性能传声器（数字和模拟，带超声波感应）。它能够支持多种状态监测，尤其是振动分析。套件还配备了丰富的软件包、优化的固件库和云端仪表板，可大大加快端到端解决方案的设计周期。板载低功耗蓝牙模块，还可以插接Wi-Fi子板，有线连接则通过RS485实现。

3) 传感器选型

数据分析工具准备就绪后，下一步就是选择传感器。

a) 根据重要参数选择类型 意法半导体提供加速度计、陀螺仪、磁力计、振动传感器、传声器、压力传感器、湿度传感器、温度传感器、激光传感器、红外传感器等多种产品。工业级传感器通常具备更高的性能和精度、更好的温度和时间稳定性，甚至还有产品生命周期保证。

b) 根据量程和带宽选择参数 每个传感器都有自己的最大量程和频率响应带宽。设计人员必须仔细研究，选出最合适的型号。图9给出了多款为预测性维护推荐的传感器型号。

图 10 – 根据应用场景选择传感器

4) 决策树位置选择

作为MEMS技术领域的先驱之一，意法半导体很早就开始在传感器中嵌入边缘处理功能。设计人员可以选择将决策树放在传感器的边缘处理区中，或者放在主控制器里。最佳选择取决于数据处理和决策树的复杂程度。意法半导体传感器中的决策功能大致分为三类：

嵌入式简单逻辑 所有MEMS传感器都具备简单的嵌入式阈值比较逻辑。振幅与时间窗口的阈值一旦达到预设值，就会触发中断标志。

有限状态机 (FSM) 状态机是一种用于设计逻辑连接的数学抽象方法（图10）。FSM就像一个行为模型，由预定数量的状态以及状态之间的转换组成，有点类似于流程图。你可以将其配置为：一旦满足用户定义的模式，就立即生成决策标志。为了便于实现，意法半导体的某些传感器中嵌入了多达16个状态机。

图 11 - 传感器的嵌入式有限状态机

机器学习核心 (MLC) MLC并非用于处理复杂数据，因此它无法承担有限状态机的工作。但它的强项在于，能够将原本需要在应用处理器上运行的低密度算法移植到MEMS传感器中，从而显著降低系统功耗。当数据模式与用户定义的一类集合匹配时，MLC就能识别出来。其基本原理是，通过一系列可配置的节点，以“如果-那么-否则”的形式，比较预设阈值与计算出的“特征”值（图11）。

图 12 - 传感器的MLC内的决策过程

总的来说，传感器是工业4.0应用中的基本组件，也是预测性维护不可或缺的一环。更重要的是，借助内置的智能功能，传感器能够帮助主控制器分担负荷，从而提升整个系统的能效。像意法半导体这样的行业领导者，提供了从加速度计、陀螺仪到各种环境传感器的全线产品。在预测性维护领域，如此广泛的产品线，确实在创新概念与实际应用之间架起了一座重要的桥梁。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：传感器在工业4.0预测性维护中的关键应用要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题