迎接機器狀態(tài)監(jiān)測的新星

還記得固定電話和投幣式付費電話的日子嗎?他們工作，但他們有其局限性。你去他們那里或多或少地得到你需要的東西。在過去的 30 年中，機器狀態(tài)監(jiān)測也是如此。

傳統(tǒng)上，要真正了解壓縮機、齒輪箱和泵的運行情況，我們必須前往工廠車間。我們的耳朵，然后是探頭，最后是采集振動波形的數(shù)據(jù)收集器，以評估機器的狀況。這個過程每月或一次或季度發(fā)生一次，使用受培訓和可用性的難以找到的勞動力，通常在不安全的環(huán)境中。

但公司希望每天了解其資產(chǎn)的健康狀況。打個比方，我們不希望我們的汽車傳感器每月或每季度只提醒我們一次故障或服務(wù)要求。幸運的是，新的無線傳感器可以拋棄大多數(shù)手持數(shù)據(jù)收集器，將工廠資源部署到比在機器之間行走收集振動數(shù)據(jù)更重要的事情上。

多年來，公司一直在使用 1-2 kHz 低分辨率無線振動傳感器。當機器似乎不同步時，他們基本上會舉手。他們的警告通常來得太晚，并且總是需要分析師返回機器進行故障排除。最近，開發(fā)人員推出了分辨率更高的無線傳感器，但每個傳感器的成本為 1,000 美元。普通機器需要大約三個傳感器，這太貴了。

然而，最新的無線傳感器已經(jīng)發(fā)展到消除這些障礙。

價格性能曲線現(xiàn)在已經(jīng)越過了 10 kHz 和 +-16g 動態(tài)范圍規(guī)格的“黃金時段準備就緒”線。為什么這些變化很重要?無線傳感器現(xiàn)在可以收集足夠的數(shù)據(jù)來準確預(yù)測難以檢測的齒輪磨損、早期軸承磨損和其他嚴重故障。計算技術(shù)的進步、復雜的人工智能和機器學習提供了更準確的結(jié)果和一致的數(shù)據(jù)，大大減輕了分析振動原因和影響的負擔?，F(xiàn)在，無線傳感器可以在機器出現(xiàn)故障之前提前幾天或幾個月提前通知我們，而低分辨率傳感器無法做到這一點。

為了解決工廠環(huán)境中無線通信的持續(xù)挑戰(zhàn)，自我修復網(wǎng)狀網(wǎng)絡(luò)確保了可靠的連接性。這些傳感器相互依賴，以找到向分析師提供信息的最有效途徑。與無線傳感器一樣，網(wǎng)狀網(wǎng)絡(luò)的概念并不新鮮。它們在 1980 年代首次出現(xiàn)在軍事實驗中，并在 1990 年代用于高端生產(chǎn)硬件。如今，谷歌的智能家居產(chǎn)品 Nest 是市場上最受歡迎的網(wǎng)狀網(wǎng)絡(luò)之一。但由于成本、復雜性、無線電頻譜稀缺以及早期實施中的其他限制，網(wǎng)狀網(wǎng)絡(luò)直到最近才在工業(yè)應(yīng)用中站穩(wěn)腳跟。

當然，所有這些技術(shù)都很棒，但還需要一件事——可負擔性。無線傳感器花費數(shù)百美元而不是數(shù)千美元。

人工智能是這一演變的關(guān)鍵。由于設(shè)備、傳動系統(tǒng)和操作模式很復雜，故障原因很多，因此使用標準化機器學習并不適合監(jiān)控機器狀況。系統(tǒng)根本沒有足夠的時間和機會來學習如何識別每個獨特資產(chǎn)的每個潛在故障。相比之下，神經(jīng)網(wǎng)絡(luò)可以快速準確地訓練新機器，利用歷史數(shù)據(jù)存儲并建立基線以確保準確的預(yù)測和處方。一旦捕獲了這些基線和特征，就可以應(yīng)用使用長期規(guī)則的振動分析方法。

這種由人工智能輔助的過程可以快速設(shè)置傳感器，而無需漫長且通常不充分的學習過程。將此監(jiān)控與數(shù)十年來類似機器的故障數(shù)據(jù)檔案相結(jié)合，我們就擁有了一個完整的自動化無人檢測系統(tǒng)?？焖賹崿F(xiàn)狀態(tài)感知、故障檢測、優(yōu)先可行的維修建議。

當我們將無線硬件和連接方面的所有進步與 AI 和大型機械數(shù)據(jù)庫相結(jié)合時，我們就有了游戲規(guī)則改變者：可靠、準確且經(jīng)濟實惠的工業(yè)機械故障檢測和故障預(yù)測。這正是你所需要的。