预测性维护在制造业中的重要性
现代制造系统无法承受意外停机。此类故障会波及运营，导致生产线停摆，错过交付目标，并导致昂贵的报废和加班。在某些行业，每分钟的停机时间都可能花费数万美元甚至数十万美元
由于高昂的成本和安全风险，传统的被动维护显然对关键资产不可持续。但即使是固定时间表的预防性维护也有局限。可靠性研究发现，只有约11%的设备故障遵循可预测的磨损模式，而其余89%则是随机发生，且与使用时间相关。
预测性维护（PdM）通过持续监控设备状况，在故障发生前预测故障，从而弥补这些漏洞。PdM的核心前提是检测P-F间隔，即从检测潜在故障（P）到实际功能故障（F）之间的时间。
不同的技术允许我们在不同点进入这条曲线。例如，振动分析可以提前数月检测机械劣化，而温度监测可能仅提供数小时的预警。
这种数据驱动的方法旨在最大化资产的正常运行时间和使用寿命，避免纯粹基于进度策略的可靠性盲点。当有效实施时，PdM可以显著减少意外停机和维护成本。据麦肯锡称，PdM项目可以将机器停机时间减少30%到50%，并使机器寿命延长高达40%。
与此同时，PdM也带来了自身的复杂性。这需要利用边缘传感器，捕捉和管理高质量数据，并部署分析或人工智能模型，以区分有意义的故障前兆与噪声。
本文将讨论PdM的两个关键组成部分：传感器智能和边缘分析，这两者是使AI驱动的PdM在工厂车间成为可能的关键。
PdM中的传感器智能
PdM程序的质量根本依赖于边缘传感器和信号采集。系统只有在拥有正确数据和正确保真度的情况下才能预测故障。现代智能工厂部署多种传感器，持续监测设备状况。这些是工业级换能器，专门用于捕捉故障前的特定物理现象。PdM中使用的一些关键传感器类别将在下文章节中讨论。
振动传感器
振动分析可以说是机器状态监测中最广泛使用的技术，尤其是用于电机、齿轮箱、泵和涡轮等旋转机械。例如，压电加速度计提供20–30 kHz的非常宽的频率带宽，高灵敏度和低噪声底，这对于早期检测轴承缺陷或齿轮啮合问题非常重要。
振动数据可以揭示多种失效模式，如不平衡、错位、轴和轴承磨损、齿轮齿损坏以及泵气蚀，这些都会形成典型的振动特征。例如，高频振动均方根（RMS）略有增加或特定频率的出现，都可能在轴承失效之前就已表明存在剥落。
鉴于90%的工业旋转机使用滚动元件轴承，振动监测至关重要。为了及早发现细微异常（例如赛道中的微小坑洞），需要高质量、低噪声（通常为<100 μg/√Hz）和宽频率范围的传感器，并配合高分辨率数据采集。
声学和超声传感器
在工业环境中，并非所有机械振动都能被加速度计轻易捕捉，尤其是早期故障表现为轻微的声学发射。声学发射传感器可以检测声音异常，如压缩空气泄漏的嘶嘶声或润滑不足轴承的高频尖叫声。
更专业的超声传感器工作在数十千赫兹（20至100千赫兹）范围内。通过聚焦于正常可听范围以上的频率，超声波传感可以将感兴趣的信号与背景机器噪声隔离开来，并精准指出电气系统中的电弧或压力泄漏湍流等问题。
这些传感器通常体积小巧、功耗低，且可放置在关键部件附近。一个挑战是确保它们在工业环境中生存。然而，许多现代工业MEMS麦克风正变得更加坚固，有些甚至能承受10,000克的冲击。
温度传感器
许多早期故障还表现出异常的发热现象。热电偶和电阻温度检测器安装在设备热点上，如电机绕组或轴承，以监测温度趋势。近年来，红外（IR）热成像仪或红外温度计提供非接触式表面温度读数，有助于检测热点。
温度数据有助于检测摩擦加热、冷却系统故障和电气过载等问题。例如，轴承温度在数周内缓慢上升可能表明润滑性能下降。温度传感器带宽较低，但将其读数与振动结合，能获得更全面的视图。
电气和电动传感器
电气设备和系统从监测电信号中受益。例如，电动机电流特征分析利用低成本电流传感器，如电流互感器或电机电源上的并联电阻，检测与机械问题相关的电流消耗模式。
例如，感应电机中的转子杆损坏或轴承摩擦可能调制电机的电流波形。电流和电压传感器因此可以检测负载失衡、转子故障、绝缘问题或异常扭矩振荡等问题。
此外，靠近电机或变压器的磁通传感器（霍尔效应）可以检测磁场变化，以检测电气衰减的迹象。这些电气测量是非侵入性的，通常已经由驱动器或控制系统测量完成。因此，PdM可以利用该数据流进行分析。
然而，传感器智能系统的关键方面是确保信号质量和同步。高端成功的PdM安装注重传感器的布置、校准的正确以及数据流的同步。如果使用多个传感器，读数应与时间一致。
所有这些都使得跨传感器的事件相互关联，例如，在高负载下看到温度峰值发生在振动峰值后30秒，可能有助于诊断。现代数据采集可能使用时间同步采样（例如分布式系统中的GPS或IEEE 1588精确时间协议）来给传感器数据进行时间戳，从而使分析算法能够准确合并多传感器信息。
边缘分析与机器健康的人工智能
原始传感器数据需要完整的信号处理和人工智能流程来做出可作的维护决策。在PdM中，尤其是部署在边缘的PdM中，工程师必须选择对边缘设备执行多少处理、使用哪些算法或模型，以及如何平衡复杂性与资源约束。
历史上，大多数条件监测和参数化管理解决方案依赖领域专业知识和经典信号处理来从传感器信号中提取特征。例如，振动分析可能计算整体有效值振动、特定频带的谱能量、信号峰度或小波变换系数等特征。
然而，这种方法在处理复杂或微妙的模式时存在困难，因为它依赖于人类定义的特征，可能无法捕捉数据的每一个细微差别。在过去十年里，深度学习和数据驱动的方法因自动化从原始数据中学习特征而受到关注。
端到端深度神经网络无需指定应考虑的频带或时域统计数据，而是基于带标签的传感器数据样本进行训练，以学习不同故障模式的区分模式或预测失效时间。卷积神经网络已被用于输入原始振动信号或其频谱图，输出为方位健康分类。
循环网络或变换器可以对时间序列进行建模，用于预测任务，如剩余有用寿命预测。深度学习在数据建模中的作用使其能够捕捉复杂且非线性的特征，这些特征是人工特征工程可能遗漏的，并有效学习具有最佳预测性的特征。
然而，这些先进型号在工厂车间的实际部署仍是一大挑战。许多高性能模型在工业边缘环境中部署时计算量极高。2023年的一项研究发现，大多数最先进的深度学习模型用于轴承故障诊断，在典型嵌入式设备上运行时内存和计算量过高。
实际上，许多当前的PdM边缘AI解决方案采用混合方法。它们在边缘运行更轻量级的模型，以快速检测异常，同时将更复杂的分析卸载到云端或本地服务。例如，边缘设备可以使用简单的单类分类器或传感器特征的统计变化检测，实时检测异常，同时将趋势数据发送到云平台，由一个重型预测模型估算故障时间。
将边缘传感器和人工智能整合进预测性维护，是现代工业格局的架构必备。机器故障的物理过程以毫秒级计，通过高频数据被检测，因此需要将智能部署在更接近前端的层面。通过利用智能边缘传感器、稳健的通信协议和优化的机器学习算法，制造商能够打破被动维护的循环。