基于AI和预测维护的过程传感器

  数据无处不在，但它们是从何而来？第一个现代传感器始于1860年，当时Wilhelm von Siemens使用了铜来测量温度。根据这一想法，在1883年诞生了第一个恒温器，这就是被普遍承认的第一个人造传感器。

  从那时起，我们正真看到这种设备大量涌现，尤其是在制作的完整过程的测量和控制领域。随着传感器被应用于运输和消费市场，传感器的复杂程度及其定价发生了巨大变化。与此类似，它们在测量和控制过程中的部署性质也发生了变化，过去是在人为的计算或逻辑（如在比例、积分和导数（PID）控制）中对传感器信号进行相当简单的组合。

  在此之后，是支持仿真和过程优化的计算机应用程序。过去几年里，在人工智能（AI）和机器学习（ML）的驱动下，出现了具有高度技术能力的创新技术。其结果是在多重维度上对数据流进行更复杂的合并，以及用时间来学习行为模式，而不是用基于工程第一原理和统计的计算数字模型来估计行为。程序正在由机器编写，而不是人类。

  物联网IoT）的出现催生了互联事物的巨大增长。根据美国国家科学基金会（NSF）的数据，物联网有望连接500亿个智能设备和1万亿个传感器。其中，传感器和AI/ML技术最广为人知的应用也许是在机动车辆中，尤其是电动汽车。例如，Tesla model 3 中的自动驾驶系统配置了8个摄像头，12个超声波传感器和前向雷达，以读取车道线并检测附近的汽车。

  过程制造业一直在开发这种基于AI和ML中的传感器的新用途，以更好地测量资产和过程的状况，包括从机器及其周边设备传感器上收集的数据流中学习它们的明确行为。它可以取代旧的技术，以此来实现更简单、更快的部署，以及更高的准确性和结果，而不需要高强度的工程技能。最好的应用可以抽象数据科学，使工厂的普通工人在不需要大量学习的情况下就能实施复杂的策略。

  从单点测量和简单的逻辑表达式，转变为每隔几分钟收集一次自动组合的数据流。使用AI/ML以多维/时序的方式来处理数据，可以开发出更多维度的行为模式，要远高于人类所能感知到的。该技术很清楚地看到了这些模式，以识别明确的行为，了解什么是正常的，什么是异常的，以及设备和过程退化的实际模式是什么：如果不加以管理，将会导致糟糕的结果，并可能会引起资产故障。

  现实情况是，这些部署都是数据驱动的解决方案。没有数据就从另一方面代表着没有解决方案。这让用户想知道要多少数据及要哪一些数据？

  以一个矿山的大型泥浆泵为例，该泵配备了4个传感器来测量：输入压力、输出压力、流体温度和。在这种情况下，通过预测性维护解决方案能提前两周获悉电机将出现故障。

  另一个例子，炼油厂的一个大型充油泵有50个传感器，包括上游和下游的过程测量，还有位于机器上的、包括诸多振动传感器在内的机械传感器。在这种情况下，预测性维护解决方案提供了降级的即时通知，以及16周内即将出现故障的通知。

  因此，基于ML的传感器分析可以在只配置少数传感器的情况下有效工作，若使用更多和更高质量的传感器，其准确性会有效得多，预警也会更早。由于最关键的资产通常已经配置了很多传感器，因此很少需要添加新的传感器。

  从检测到的传感器数据也可以预测即将出现故障的模式。它与故障的最终的原因和精确的故障模式有一一对应的关系，要选择合适的传感器组，才能开发这些精确的模式。

  在这种情况下，良好的传感器选择指南能给出检测特定故障（如泵或压缩机上的轴承故障）所需的精确集合。持续监测所选的传感器能通知出没出现明显的退化模式，并发出高级警告。

  多年来，过程传感器类型和可用性一直在变化。它从简单的温度、流量、压力和液位传感器开始。现在，有复杂的产品质量分析仪传感器，如粘度、含水量、固体、颜色和重量，甚至在线质谱仪，能够给大家提供完整的产品细分。所有这些，在过程和设备监控的预测分析中都很有用。

  此外，新兴的传感器测量领域也能够给大家提供额外的帮助。想想有经验的运行人员，他们通过发出的声音，就可以对设备行为有深刻的理解。在人类听觉范围内、外的新型声学传感器也能起到一定的帮助。麦克风安装起来很便宜，而且不要安设在机器上。使用视频和高性能图形计算，来解释气体含量甚至气味的高光谱成像应用也有所发展。

  这种设备能取代旧的分析仪，例如在熔炉和烟囱中，以查看和测量温度和废气成分。另一种是解释光纤电缆上的振动，比如承载电话的电缆，以检测温度、接近度和入侵者。电缆安装是非侵入性的（只需要靠近），是检测泄漏和盗窃的一个非常有价值的应用，在周界围栏上，可以检测到任何靠近的事物。

  这些只是预测分析依赖复杂传感器进行过程和设备监控的几个例子。未来，这些传感器的新用途将充满潜力和令人兴奋。

  ■ 人工智能和机器学习帮助用户从过程传感器收集更复杂的数据，以获得更深入的见解。

  声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。举报投诉

  在很大程度上依赖技工的专长和直觉来处理问题或诊断故障，而今天的先进诊断设备和工业 4.0 技术增加了电子

  数据，以此为依据做出正确判断，帮助检修人员提前发现昂贵、复杂的可能是远程设备出现的小问题，避免酿成大事故。这个功能要求

  这项研究的结果实际上使我们发布了STEVAL-BFA001V1B，这是一款具有

  解决方案，能够对工厂设备实现全天候实时在线监测和及时的故障告警，帮企业避免计划外停机、突发故障以及老化的基础设施等带来的种种挑战，智能化的运维方式促进降本增效，切实保障生产计划安全稳定进行。

  Server的增量升级技术进行批量远程部署，使报警和诊断可完全在端侧执行，在保证数据的时效性的同时节省网络带宽占用和电量消耗。无线振动温度

  全球知名半导体制造商ROHM（总部在日本京都市）开发出一款设备端学习*

  等的电子设备的故障（故障迹象检测），非常适用于IoT领域的边缘计算设备和端点*1。

  阿尔伯塔省埃德蒙顿2023年9月8日 /美通社/ -- Nanoprecise Sci Corp很高兴地宣布推出全球首款符合0区标准* 光能量采集

  效率低下的最佳潜力，尤其是通过最大限度地减少设备故障来提高运行效率。 一些企业认为，部署一个

  。能直接部署在端侧，进行数据采集、计算分析从而辅助决策，不仅能满足工业各种复杂场景的灵活部署，也真正解决了工业场景中数据采集“最后一公里”的数字化难题。

  工程师识别和修复运行效率低下的电机，来提升性能、生产率、资产可用性和使用寿命。

  运用 STMicroelectronics 样例应用程序，研发人员可以快速评估

  供应商在多年有意远离这个复杂且易被误解为缺乏投资价值的领域之后，准备重新挖掘其潜能。得益于AI和物联网的快速地发展，或许

  是物联网的一大好处。物联网是一个包罗万象的术语，用来描述各种设备是怎么样去使用内置

  技术的未来，但是正在进行的学术研究为未来二十年提供了重要的“线索”。全新的

  （PdM）解决方案 （图1），它结合了ADI软件、硬件和电机领域的专业相关知识，为电机的

  、可穿戴设备和其他嵌入技术的智能设备，这些设备能连接到互联网并传输数据。在

  的几个典型示例。随着各类机器人的日益普及，以及市场对“智能”机器人需求的逐步的提升，英国知名研究公司IDTechEx

  、数据采集和通信等技术，在设备健康情况恶化之前及时警告并采取行动，能轻松实现故障的早期发现，避免故障发生，减少停机时间和成本，并保证设备的可靠性、耐久性和运行效率。 设备

  概念存在已久，最早可以追溯到人们第一次说“机器很快就会坏了”的时候。从给手表内部的轴承加注润滑油，到养护维修大型发电设备，从简单的家电，到复杂的空间站，

  自动化的良好压力；用于民政管理的特定声音监控，例如枪声检测；个人健康应用，例如健身和健康可穿戴设备；或振动

  (IoT)和其他硬件设备来获取商业建筑和楼宇内所有设备的状态报告就是个很好的例子。这种反馈让我们也可以在需要时，及时有效地实施必要

  是一种重要的设备，用于监测环境中的温度和湿度变化。然而，由于环境和时间的影响，温湿度

  ，采用90°散射光测定原理，光纤式结构设计，定制光学器件，尺寸小巧，安装

  简便，不易受到环境光的干扰，具有更出色的重复性和稳定能力。 禹山浊度仪 禹山浊度仪的

  原理，其应用也慢慢变得普遍电子秤具有称量快速、显示直观、不易磨损等优点，已逐渐取代机械秤。电子

  作为物联网ECO的关键一环，用于感知和采集温度、湿度、距离、液位等数据，通过以太网、Wi-Fi、蓝牙低功耗(BLE)、ZigBee、Sigfox等联接协议传输和汇总数据，进而通过专用软件解析

  ( resonat quartz temperature sensor ,RQTS) 的测温机理及

  工厂和生产基地需要防止机器和设备出现不正常的情况，以最大限度地减少停机时间。生产力可以通过

  ，TDK开发了i3微模块——世界上首款具有嵌入式边缘人工智能的超紧凑型