Η παρακολούθηση κατάστασης (CbM) βοηθά στην αποφυγή αστοχιών της συσκευής μέσω προγνωστικής συντήρησης, αλλά ο σχεδιασμός ενός αποτελεσματικού συστήματος απαιτεί συνήθως βελτιστοποιημένη ενσωμάτωση ανίχνευσης ακριβείας, αλυσίδων σήματος χαμηλού θορύβου, διαχείρισης ενέργειας και ασύρματης συνδεσιμότητας. Αυτά είναι πολύπλοκα χαρακτηριστικά που μπορεί να καθυστερήσουν την ανάπτυξη του CbM και να αυξήσουν το κόστος. Οι σχεδιαστές αναγνωρίζουν επίσης τα πλεονεκτήματα της ανάλυσης τεχνητής νοημοσύνης αιχμής (AI), αλλά αυτό κάνει επίσης το CbM πιο πολύπλοκο. Πρέπει να βρούμε μια πιο άμεση και αποτελεσματική λύση.
Αυτό το άρθρο αρχικά εισάγει εν συντομία τους αισθητήρες εγγύτητας και, στη συνέχεια, παρουσιάζει τις λύσεις plug and play των αναλογικών συσκευών. Αυτή η λύση επιτρέπει την άμεση ανάπτυξη ασύρματου CbM με δυνατότητες Edge AI.
Η σημασία της κρατικής παρακολούθησης
Οι απρογραμμάτιστες διακοπές λειτουργίας παραμένουν μια σημαντική πρόκληση για τη διατήρηση της υψηλής λειτουργικής απόδοσης του εξοπλισμού. Μόλις συμβεί μια απροσδόκητη βλάβη σε κρίσιμο εξοπλισμό, μπορεί να οδηγήσει σε παράλυση ολόκληρης της γραμμής παραγωγής, διακοπή της αλυσίδας εφοδιασμού και ακριβές υπηρεσίες συντήρησης. Οι παραδοσιακές μέθοδοι συντήρησης περιλαμβάνουν την παθητική επισκευή μετά από αστοχία ή την αυστηρή περιοδική συντήρηση, αλλά αυτές οι μέθοδοι έχουν τα μειονεκτήματά τους: η παθητική συντήρηση μπορεί να οδηγήσει σε δαπανηρή διακοπή λειτουργίας, ενώ η περιοδική συντήρηση μπορεί να αυξήσει το κόστος των πόρων αντικαθιστώντας άσκοπα εξαρτήματα που βρίσκονται ακόμη σε λειτουργία.
Η υιοθέτηση του CbM επιτρέπει την εφαρμογή πιο οικονομικά αποδοτικών μεθόδων προγνωστικής συντήρησης. Παρακολουθώντας τους κραδασμούς, τη θερμοκρασία, το ρεύμα ή άλλους δείκτες απόδοσης, οι χειριστές του εξοπλισμού μπορούν να αναγνωρίσουν προειδοποιητικά σήματα υποβάθμισης της απόδοσης του εξαρτήματος πριν εμφανιστούν σφάλματα. Αυτή η προσέγγιση βάσει δεδομένων μπορεί να μειώσει τον απρογραμμάτιστο χρόνο διακοπής λειτουργίας, να παρατείνει τη διάρκεια ζωής του εξοπλισμού και να μειώσει το συνολικό κόστος ιδιοκτησίας.
Παρά τα πολυάριθμα πλεονεκτήματα του CbM, η ανάπτυξή του μπορεί να σταματήσει λόγω των πολύπλοκων απαιτήσεών του και της ανάγκης για διεπιστημονική τεχνογνωσία. Για τους τομείς της βιομηχανίας και της αυτοκινητοβιομηχανίας, η υπέρβαση αυτών των προκλήσεων αποτελεί σημαντική πρόκληση για την επιτυχή εφαρμογή της προγνωστικής συντήρησης που βασίζεται στο CbM.
Προκλήσεις και απαιτήσεις που επιφέρει η κρατική παρακολούθηση
Για να αξιοποιηθούν πλήρως τα πιθανά πλεονεκτήματα του CbM, οι λύσεις CbM πρέπει να λειτουργούν αξιόπιστα σε σκληρά βιομηχανικά και αυτοκινητιστικά περιβάλλοντα, ενώ διεξάγουν έγκαιρη ανάλυση με βάση ακριβή δεδομένα μετρήσεων. Ωστόσο, ακόμη και κατά την κανονική λειτουργία του επιτηρούμενου εξοπλισμού, αυτές οι συγκεκριμένες συνθήκες λειτουργίας μπορούν να υποβάλουν τον εξοπλισμό μέτρησης σε τεράστιες περιβαλλοντικές και μηχανικές πιέσεις. Οι βιομηχανικοί κινητήρες, τα συστήματα μετάδοσης και ο βαρύς περιστρεφόμενος εξοπλισμός μπορούν να εκθέσουν συνεχώς τις συσκευές παρακολούθησης σε κραδασμούς, κραδασμούς, ακραίες θερμοκρασίες και υψηλά επίπεδα ηλεκτρομαγνητικών παρεμβολών (EMI).
Προκειμένου να επιτευχθεί αξιόπιστη προγνωστική συντήρηση, οι αισθητήρες κραδασμών στις συσκευές CbM πρέπει να είναι σε θέση να ανιχνεύουν λεπτότερες αλλαγές, οι οποίες είναι συχνά οι πρώτες ενδείξεις ανισορροπίας άξονα, κακής ευθυγράμμισης ή φθοράς ρουλεμάν. Για να διασφαλιστεί η μέτρηση κραδασμών υψηλής ακρίβειας υπό σκληρές περιβαλλοντικές συνθήκες, απαιτείται ένα υποσύστημα λήψης σήματος αισθητήρα υψηλού εύρους ζώνης και χαμηλού θορύβου, το οποίο μπορεί να διατηρήσει σταθερή απόδοση σε σκληρά περιβάλλοντα εργασίας.
Ως πυρήνας της μεθόδου CbM, η ανάλυση κραδασμών θέτει τα θεμέλια για τον εντοπισμό μοτίβων που μπορούν να διακρίνουν μεταξύ της κανονικής λειτουργίας και των πρώιμων ενδείξεων αστοχίας. Στο παρελθόν, τα συστήματα αισθητήρων δόνησης μετέδιδαν αποτελέσματα μέτρησης σε έναν κεντρικό κεντρικό υπολογιστή ή πόρους cloud για ανάλυση. Ωστόσο, οι προηγμένες λύσεις CbM έχουν αρχίσει να μετατοπίζουν όλο και περισσότερο τις δυνατότητες ανάλυσης στην άκρη. Με την ανάλυση δεδομένων εντός ή κοντά στο σύστημα αισθητήρων, τα αποτελέσματα μπορούν να ληφθούν στο συντομότερο δυνατό χρόνο και να μειωθεί η κίνηση σε ευαίσθητα στον χρόνο βιομηχανικά και αυτοκινητιστικά δίκτυα.
Συγκεκριμένα, τα συμπεράσματα τεχνητής νοημοσύνης ακμών που βασίζονται σε μοντέλα συνελικτικού νευρωνικού δικτύου (CNN) μπορούν να παρέχουν ερμηνεία σε πραγματικό χρόνο των αλλαγών των κραδασμών. Ωστόσο, η χρήση του CNN για συμπέρασμα απαιτεί σημαντικό όγκο υπολογισμού, καθιστώντας πιο περίπλοκη την επίτευξη των στόχων CbM χωρίς υπέρβαση της ισχύος, του μεγέθους ή των περιορισμών κόστους του συστήματος.
Με την αυξανόμενη χρήση του CbM σε περιστρεφόμενες συσκευές, απομακρυσμένες ή κινητές συσκευές και την πρακτικότητα των ενσύρματων συνδέσεων, η ελαχιστοποίηση της κατανάλωσης ενέργειας έχει γίνει πιο επείγουσα. Για να καλύψει τις απαιτήσεις ασύρματης σύνδεσης σε αυτές τις περιπτώσεις, το Bluetooth Low Energy (BLE) μπορεί να επιτύχει τον απαιτούμενο συνδυασμό απόστασης μετάδοσης, ισχύος και αξιοπιστίας σε σύγκριση με άλλες προαιρετικές τεχνολογίες σύνδεσης (Πίνακας 1).
Ωστόσο, όπως η επεξεργασία Edge AI, η πρόκληση που αντιμετωπίζουμε είναι να βρούμε μια λύση συνδεσιμότητας BLE που μπορεί να λειτουργεί κανονικά εντός των περιορισμών ισχύος των ασύρματων συστημάτων αισθητήρων. Στην πραγματικότητα, η διασφάλιση παρατεταμένης διάρκειας ζωής της μπαταρίας παραμένει πρόκληση για κάθε σχεδιαστή συστημάτων ασύρματου αισθητήρα. Ωστόσο, αυτό είναι ιδιαίτερα σημαντικό σε βιομηχανικές εφαρμογές και εφαρμογές αυτοκινήτων, όπου οι αισθητήρες μπορεί να είναι δύσκολο να προσεγγιστούν. Στα συστήματα CbM που απαιτούν συμπέρασμα από το CNN, η διαχείριση μπαταρίας και ενέργειας γίνεται όλο και πιο σημαντική. Η πρόκληση από αυτή την άποψη είναι ο τρόπος συντονισμού πολλαπλών ρυθμιστών τάσης, ακολουθιών και συστημάτων φόρτισης για τη μείωση της κατανάλωσης ενέργειας, διασφαλίζοντας παράλληλα σταθερή λειτουργία.
Το κιτ αξιολόγησης παρέχει μια ενσωματωμένη ασύρματη λύση CbM με λειτουργικότητα Edge AI
Το κιτ EV-CBM-VOYAGER4-1Z Voyager 4 από την Analog Devices παρέχει μια πλήρη πλατφόρμα παρακολούθησης κραδασμών με μπαταρία για συνεχή αξιολόγηση της τεχνολογίας CbM ή άμεση ανάπτυξη σε εφαρμογές πρόβλεψης συντήρησης, αντιμετωπίζοντας διάφορες προκλήσεις κατά την ανάπτυξη ασύρματου CbM με δυνατότητες τεχνητής νοημοσύνης αιχμής. Αυτό το κιτ υιοθετεί ένα κατακόρυφο στήριγμα (Εικόνα 1, πάνω), στερεώνοντας σταθερά την κύρια πλακέτα τυπωμένου κυκλώματος (πλακέτα υπολογιστή) στη μία πλευρά και την μπαταρία στην άλλη πλευρά για να εξαλείψει τις επιπτώσεις των σκληρών περιβαλλόντων. Η πλακέτα και ο αισθητήρας του κυκλώματος ισχύος βρίσκονται στο κάτω μέρος της βάσης, κοντά στην πηγή δόνησης που πρέπει να παρακολουθείται. Για ευκολία στην ανάπτυξη, τα κατακόρυφα εξαρτήματα στήριξης τοποθετούνται μέσα σε ένα προστατευτικό κάλυμμα αλουμινίου με διάμετρο 46 mm και ύψος 77 mm (Εικόνα 1, κάτω μέρος). Το επάνω μέρος του προστατευτικού καλύμματος είναι εξοπλισμένο με ακρυλικό κάλυμμα ABS, το οποίο μπορεί να χρησιμοποιηθεί για σύνδεση BLE.