之前在談及傳感器與機(jī)器學(xué)習(xí)的結(jié)合時(shí)有提到過，為了實(shí)現(xiàn)對某一設(shè)備的監(jiān)控，傳感器開始與機(jī)器學(xué)習(xí)結(jié)合開始對設(shè)備進(jìn)行可預(yù)測的狀態(tài)監(jiān)控。當(dāng)然我們這里重點(diǎn)不在機(jī)器學(xué)習(xí)上，在傳感器上。

在監(jiān)測設(shè)備的運(yùn)行狀況，健康狀態(tài)的時(shí)候，需選擇最合適的傳感器來確保器件能夠準(zhǔn)確地獲取設(shè)備信息，并進(jìn)行檢測、診斷甚至預(yù)測故障。我們以工業(yè)電機(jī)為例，軸承損壞是使用過程中時(shí)常能碰見的故障，在檢測此類故障時(shí)用到的最多的就是振動和聲壓傳感器件。而轉(zhuǎn)子、繞組等方面的故障則多通過電流變壓器在電機(jī)供電時(shí)測量。

振動傳感的檢測范圍

振動傳感在電機(jī)檢測上一般能用于檢測以下幾個(gè)故障，軸承狀態(tài)、齒輪嚙合、泵氣蝕、電機(jī)未對準(zhǔn)、電機(jī)未平衡以及電機(jī)負(fù)載條件。對于不平衡、未對準(zhǔn)這一類故障，對傳感器件的噪聲性能要求并不算嚴(yán)格，對帶寬的要求也僅需達(dá)到5×至10×基頻即可，更多要求的是傳感器能對多軸進(jìn)行同時(shí)檢測；軸承缺陷和齒輪缺陷這類故障則對噪聲和帶寬要求極高，噪聲范圍必須要控制在<100 μg/√Hz，同時(shí)帶寬要求>5kHz。

電機(jī)不平衡/未對準(zhǔn)這類故障，在電機(jī)振動期間即可檢測；軸承或齒輪缺陷則沒有這么明顯，特別是在早期，不能單單通過增加振動頻率來識別或預(yù)測。解決這些故障通常需要將具備低噪聲<100 μg/√Hz和寬帶寬>5 kHz的振動傳感器與高性能信號鏈、處理、收發(fā)器和后處理器配對。

MEMS振動與壓電式振動對比

加速度計(jì)是最常用的振動傳感器，壓電式的加速度計(jì)噪聲低，頻率最高可達(dá)30kHz，這是其優(yōu)勢。MEMS加速度計(jì)頻率一般在20kHz左右，在成本、功率和尺寸上更具優(yōu)勢。狀態(tài)檢測應(yīng)用受益于無線安裝的推動在近年來增長迅速，無線安裝就必須考慮傳感器的尺寸、集成性和功耗。因此壓電式加速度計(jì)雖然帶寬和噪聲性能明顯強(qiáng)于MEMS加速度計(jì)，但綜合考量下大家都更青睞MEMS加速度計(jì)。

傳感類型	帶寬	噪聲	直流響應(yīng)
壓電式加速度計(jì)	2.5kHz-30kHz	1 μg/√Hz-50 μg/√Hz	無
MEMS加速度計(jì)	3kHz-20kHz	25μg/√Hz-100 μg/√Hz	有

在需要高帶寬和低噪聲的檢測中，兩種傳感其實(shí)都具有滿足條件的帶寬和低噪聲，但MEMS加速度計(jì)能夠提供直流響應(yīng)，這是壓電式加速度計(jì)不具備的，直流響應(yīng)可以在非常低的轉(zhuǎn)速下檢測電機(jī)不平衡和傾斜。


另外一點(diǎn)是MEMS加速度計(jì)帶了自測的功能來驗(yàn)證傳感器自身的可用性。應(yīng)該說MEMS加速度計(jì)更小的尺寸和更高的集成性更契合現(xiàn)在狀態(tài)監(jiān)測發(fā)展的趨勢。

MEMS加速度計(jì)監(jiān)測其他更突出的能力

在噪聲和帶寬對比上，MEMS加速度計(jì)并沒有呈現(xiàn)出對比壓電式傳感壓倒性的優(yōu)勢，但從另一個(gè)角度看，基于MEMS的監(jiān)測實(shí)力很突出。除了我們上面說到的直流響應(yīng)能檢測近乎直流范圍的極低頻率振動，更高的分辨率、出色的漂移特性和靈敏度也是相比壓電式傳感能力更突出的地方。


高頻的MEMS加速度計(jì)能夠提供遠(yuǎn)超傳感器諧振頻率范圍的輸出信號來監(jiān)測3dB帶寬以外的頻率。這種性能要借助輸出放大器，放大器需要支持70kHz大小的信號帶寬以此支持加速度計(jì)完成超頻范圍的監(jiān)測。借助放大器會不可避免地出現(xiàn)混疊噪聲，因此采用濾波器也是必不可少的。

狀態(tài)監(jiān)測與機(jī)器學(xué)習(xí)結(jié)合仍是大趨勢

用于振動監(jiān)測分析的技術(shù)不少，數(shù)字濾波、頻率分析等等，無論哪種分析方法，最關(guān)鍵的點(diǎn)在于如何確定好狀態(tài)監(jiān)測下最適宜的那個(gè)警報(bào)點(diǎn)。在傳感與機(jī)器學(xué)習(xí)結(jié)合后，可以在故障識別流程中利用機(jī)器學(xué)習(xí)的AI，利用基于來自振動傳感器的數(shù)據(jù)創(chuàng)建代表性的機(jī)器模型，模型創(chuàng)建完成之后下載至本地處理器，然后使用嵌入式軟件不僅可以實(shí)時(shí)識別正在發(fā)生的事件，還可以識別瞬態(tài)事件，從而能夠檢測異常。

另外，引入AI的狀態(tài)監(jiān)測能夠?qū)⒄駝颖O(jiān)測數(shù)據(jù)與其他傳感數(shù)據(jù)關(guān)聯(lián)起來，推斷出的狀態(tài)信息應(yīng)該是多于維護(hù)所需的數(shù)據(jù)量的。進(jìn)一步利用獲取的數(shù)據(jù)可以完成更多維度的設(shè)備解析，而不再僅僅是單一的狀態(tài)監(jiān)測。