電子發燒友App
本文解釋了 MEMS 技術的最新進展如何將加速度傳感器推向最前沿，在基于狀態的監測應用中與壓電傳感器相媲美。我們還將討論如何使用使這一切成為可能的新開發平臺。
在第 2 部分中，我們將重點介紹支持該開發平臺的軟件框架，以及如何將其與流行的數據分析工具集成以開發機器學習示例，以及最終如何將其部署在各種資產上。
基于狀態的監控 （CbM） 和預測性維護 （PdM） 簡介
基于狀態的監控 （CbM） 涉及使用傳感器監控機器或資產以測量當前的健康狀態。預測性維護 （PdM） 涉及 CbM、機器學習和分析等技術的組合，以預測即將到來的資產維護周期或故障。隨著全球機器健康監測的顯著增長，了解和理解關鍵趨勢勢在必行。越來越多的 CbM 公司正在轉向 PdM 以區分他們的產品。維護和設施經理現在在 CbM 方面有了新的選擇，例如無線安裝和低成本、高性能的安裝。雖然大多數 CbM 系統基礎設施保持不變，
狀態監測——工程挑戰和設計決策
在典型的 CbM 信號鏈設計中，需要考慮許多不同的工程學科和需要考慮的技術，這些學科在不斷改進和復雜性增加。現在存在各種具有特定領域專業知識的客戶類型，例如算法開發（僅軟件）或硬件設計（僅硬件），但并非總是兩者兼而有之。
希望專注于算法開發的開發人員需要信息數據湖來準確預測資產故障和停機時間。他們不想設計硬件或排除數據完整性問題；他們只想使用眾所周知的高保真數據。同樣，希望提高系統可靠性或降低成本的硬件工程師需要一種能夠輕松連接到現有基礎設施的解決方案，以對現有解決方案進行基準測試。他們需要以易于使用和導出的可讀格式訪問數據，因此他們不會浪費時間評估性能。
許多系統級挑戰可以通過平臺方法解決——從傳感器一直到算法開發——支持所有客戶類型。
什么是 CN0549，它如何幫助延長設備使用壽命？
CN0549 煤層氣開發平臺
CN0549 _基于狀態的監控平臺是一種高性能、現成的硬件和軟件解決方案，可以將資產中的振動數據高保真流式傳輸到算法/機器學習開發環境中。該平臺使硬件專家受益，因為它是經過測試和驗證的系統解決方案，可提供高精度數據采集、經過驗證的資產機械耦合以及高性能寬帶振動傳感器。提供所有硬件設計文件，可輕松集成到您設計的產品中。CN0549 對軟件專家也很有吸引力，因為它抽象了狀態監測信號鏈硬件的挑戰，并允許軟件團隊和數據科學家直接投入開發機器學習算法。主要特點和優勢包括：
易于安裝到資產，同時保持機械耦合信號完整性
具有 IEPE 數據輸出格式的寬帶寬 MEMS 加速度計傳感器
IEPE，高保真數據采集 （DAQ） 解決方案，模擬輸入帶寬從 DC 到 54 kHz
嵌入式網關捕獲并存儲用于本地或網絡處理的原始數據
將傳感器數據直接傳輸到 Python 和 MATLAB? 等流行的數據分析工具中
CbM 開發平臺由圖 1 所示的四個不同元素組成，在查看組合的整體解決方案之前，我們將分別討論這些元素。
圖 1. CbM 開發平臺的元素。
高精度、高保真數據采集和處理
更寬的帶寬和更低的噪聲傳感器能夠更早地檢測到故障，例如軸承問題、氣蝕和齒輪嚙合。任何數據采集電子設備都必須保持測得的振動數據的保真度；否則可能會丟失關鍵故障信息。保持振動數據的保真度可以更快地看到趨勢，并且我們可以高度自信地建議預防性維護，從而減少機械元件的不必要磨損，并不可避免地延長資產的使用壽命。
低臨界資產狀態監測的成本效益方法
壓電加速度計是性能要求高于成本的最關鍵資產上使用的最高性能振動傳感器。低臨界資產的 CbM 傳統上一直被壓電裝置的高成本所禁止。MEMS 振動傳感器現在在噪聲、帶寬和 g 范圍方面可與壓電相媲美，使維護和設施管理人員能夠更深入地了解以前由運行至故障或反應性維護計劃所涵蓋的較低關鍵性資產。這主要是由于 MEMS 的高性能和低成本。現在可以以具有成本效益的方式持續監控中低關鍵性資產。可以輕松識別和修復資產不必要的磨損，通過先進的振動傳感幫助延長資產的使用壽命。
監控資產——感知問題
當涉及到 CbM 和 PdM 時，有許多不同類型的傳感模式。電流傳感、磁傳感、流量監測和其他幾個應用構成了大部分應用。振動傳感是 CbM 中最常用的方式，壓電加速度計是最常用的振動傳感器。在本節中，我們將回顧振動傳感器領域如何因技術進步而擴展，以及這將如何影響應用決策。
MEMS 與壓電
壓電加速度計是非常高性能的傳感器，但所有這些性能都需要許多設計權衡。例如，壓電加速度計通常僅限于在有線安裝中使用，因為它們會消耗過多的功率，而且體積可能很大（尤其是三軸傳感器），而且價格昂貴。當所有這些因素結合在一起時，為您的整個工廠配備壓電傳感器是不切實際的，這就是為什么它們主要僅用于關鍵資產的原因。
直到最近，MEMS 加速度計還沒有足夠寬的帶寬，它們的噪聲太高，而且 g 范圍受限于監測不太重要的資產。MEMS 技術的最新進展克服了這些限制，實現了對低端甚至高關鍵資產的 MEMS 振動監測。表 1 顯示了用于 CbM 應用的壓電和 MEMS 傳感器所需的最重要特性。MEMS 加速度計體積小，能夠使用電池運行多年，成本低且性能與壓電傳感器相當，正迅速成為許多 CbM 應用的首選傳感器。
CN0549 CbM 開發平臺與 MEMS 和 IEPE 壓電加速度計兼容，為傳感器類型之間的基準比較提供了途徑。
表 1. MEMS 與壓電加速度計
在現有 IEPE 基礎設施中使用 MEMS 加速度計
如表 1 所述，與壓電傳感器相比，MEMS 加速度計現在可以提供具有競爭力的規格和性能，但它們能否取代現有的壓電傳感器？為了讓設計人員能夠輕松評估壓電加速度計并將其替換為 MEMS 加速度計，ADI 設計了一種與 IEPE 兼容的接口，IEPE 是 CbM 應用中事實上的標準壓電傳感器接口。
IEPE 傳感器接口和機械安裝 （CN0532）
如圖 2 所示，CN0532是一個 IEPE 轉換電路，它允許 MEMS 加速度計直接連接到 IEPE 基礎設施，就像任何現有的 IEPE 傳感器一樣無縫。
圖 2. CN0532 MEMS IEPE 轉換電路。
通常，單軸 MEMS 傳感器將具有三個輸出線：電源、接地和加速輸出。IEPE 基礎設施只需要兩個：一根線上的接地和另一根線上的電源/信號。電流被傳送到傳感器，當傳感器測量振動時，在同一條線路上輸出電壓。
圖 3. 顯示 MEMS 傳感器如何連接到現有 IEPE 基礎設施（電源和數據）的簡化示意圖。
CN0532 PCB 的設計厚度為 90 密耳，以保持 MEMS 加速度計的數據表頻率響應性能。可安裝螺柱的立方體可立即進行開箱即用測試。安裝立方體以及 PCB、焊膏等已被廣泛表征，以確保全帶寬機械傳遞函數，最大限度地提高傳感器帶寬內各種故障的可見性，從而通過能夠延長資產壽命捕捉這些故障。這些解決方案使 CbM 設計人員可以非常輕松地將 MEMS 加速度計連接到他們的資產，并與現有的壓電基礎設施無縫連接。
對于任何高頻振動測試，機械信號路徑的完整性都非常重要。換句話說，從源頭到傳感器，振動信號必須沒有衰減（由于阻尼）或放大（由于共振）。一個鋁制安裝塊 （ EVAL-XLMOUNT1 ）、四個螺釘安裝座和一個厚 PCB 保證了對相關頻率范圍的平坦機械響應。IEPE 參考設計使設計人員可以非常輕松地實現 MEMS 傳感器來代替壓電傳感器。
圖 5. EVAL-CN0532 的頻率響應與 ADXL1002 數據表頻率響應的比較。
振動到比特 - 數據轉換完整性
我們現在知道可以使用 MEMS 傳感器代替 IEPE 壓電傳感器。我們還看到了如何輕松地將它們安裝到資產上，同時保持其數據表性能。CbM 開發平臺的一個重要部分是能夠將高質量的振動數據（無論是基于 MEMS 還是基于壓電）收集到正確的環境中。接下來，我們將著眼于獲取 IEPE 傳感器數據并保持最高保真度的數據，以開發可能的最佳 CbM 算法或機器學習算法。這是由我們的另一個 CbM 參考設計CN0540 實現的。
用于 IEPE 傳感器的高保真 24 位數據采集系統 （CN0540）
在圖 6 中，我們看到了經過實驗室測試和驗證的 IEPE DAQ 信號鏈。該參考設計為 MEMS 和壓電加速度計提供了最佳模擬信號鏈。ADI 不僅專注于基于 MEMS 加速度計的解決方案。重要的是要記住壓電加速度計提供最高的性能并且是使用最廣泛的振動傳感器；因此，壓電加速度計是用于精密信號鏈產品的聚焦傳感器。
圖 6 所示電路是 IEPE 傳感器的傳感器到比特（數據采集）信號鏈，包括電流源、輸入保護、電平轉換和衰減級、三階抗混疊濾波器、模數轉換器轉換器 （ADC） 驅動器和一個全差分 ∑-Δ ADC。使用壓電加速度計的 CbM 系統設計人員需要高性能模擬信號鏈來保持振動數據的保真度。設計人員只需將其 IEPE 傳感器或 CN0532 IEPE 傳感器直接連接到 CN0540 DAQ 參考設計，即可評估開箱即用的信號鏈性能。Analog Devices 對該設計進行了廣泛測試，并提供了開源設計文件（原理圖、布局文件、材料清單等），從而可以更輕松地設計到最終解決方案中。
CN0540 IEPE 數據采集板是經過測試和驗證的模擬信號鏈，旨在采集 IEPE 傳感器振動數據，信噪比 （SNR） 優于 100 dB。市場上與壓電傳感器接口的大多數解決方案都是交流耦合的，缺乏直流和亞赫茲測量能力。CN0540 適用于直流耦合應用場景，其中必須保留信號的直流分量或系統的響應必須保持在 1 Hz 或更低的頻率。
精密數據采集參考設計使用兩個 MEMS 傳感器和三個壓電傳感器進行了測試，如表 2 所示。我們可以看到每個傳感器的 g 范圍、噪聲密度和帶寬都有很大的不同，價格也是如此。應該注意的是，壓電傳感器仍然具有最佳的噪聲性能和振動帶寬。
在 CN0540 的情況下，系統帶寬設置為 54 kHz，信號鏈噪聲性能針對的是可以在該帶寬上實現 》100 dB 動態范圍的傳感器——例如，Piezotronics PCB 621B40 型加速度計，它可以達到 105 dB在 30 kHz。CN0540 被設計為具有超出當前振動傳感器性能的額外帶寬和精度能力，以確保它不會成為收集高性能振動數據的瓶頸。在同一系統上比較和基準測試 MEMS 與壓電非常容易。無論是與 MEMS、壓電或兩者一起使用，CN0540 都為數據采集和處理提供了最佳的信號鏈解決方案，不可避免地可以設計成嵌入式解決方案。
當我們說 MEMS 以更低的成本提供可比性能時，我們可以看到ADXL1002的 SNR 為 83 dB，但與壓電傳感器相比，成本降低了 10 倍以上。MEMS 現在已經確立了自己作為除了最高性能壓電傳感器之外的所有成本的可行替代品。
圖 6. CN0540：用于 IEPE 傳感器的高性能、寬帶寬、精密數據采集。
表 2. 具有相應噪聲密度測量的 MEMS 和壓電傳感器
嵌入式網關
一旦 DAQ 信號鏈獲取了高保真振動數據，就必須對其進行處理并實時查看和/或將其傳輸到機器學習或云環境——這是嵌入式網關的工作。
在本地實時處理振動數據
Intel? （DE10-Nano） 和 Xilinx? （Cora Z7-07S） 支持兩個嵌入式平臺，包括對所有相關 HDL、設備驅動程序、軟件包和應用程序的支持。每個平臺都運行嵌入式 ADI Kuiper Linux?，使您能夠實時顯示時域和頻域數據，提供通過以太網訪問實時捕獲的數據，與流行的數據分析工具（如 MATLAB 或 Python）接口，甚至連接與 AWS 和 Azure 等各種云計算實例。嵌入式網關可以通過以太網將 6.15 Mbps（256 kSPS × 24 位）傳輸到您選擇的算法開發工具。嵌入式網關的一些關鍵特性包括：
Intel Terasic DE10-Nano
雙核 Arm? Cortex?-A9 MP Core 處理器，800 MHz neon? 框架媒體處理引擎，具有雙精度浮點單元 （FPU）
Digilent Cora Z7-07S（賽靈思）
具有緊密集成 Xilinx FPGA 的 667 MHz Cortex-A9 處理器
512 MB DDR3 內存
USB 和以太網連接
IIO Oscilloscope（如圖 7 所示）是一款免費的開源應用程序，隨 ADI Kuiper Linux 一起安裝，可幫助您快速可視化您的時域和頻域數據。它建立在 Linux IIO 框架之上，直接與 Analog Devices Linux 設備驅動程序接口，允許在一個工具中進行設備配置、讀取設備數據和視覺顯示。
圖 7. IIO 示波器顯示 5 kHz 純音的 FFT。
ADI Kuiper Linux Image 還支持行業標準工具，例如 MATLAB 和 Python。使用與 IIO 框架配合使用的接口層，IIO 綁定已被開發用于將數據直接流式傳輸到這些典型的數據分析工具中。設計人員可以結合 IIO 集成框架使用這些強大的工具顯示和分析數據、開發算法以及執行硬件在環測試和其他數據操作技術。提供了完整的示例，使您能夠將高質量的振動數據流式傳輸到MATLAB或Python工具。
使用 CN0549 進行預測性維護開發
為 PdM 應用程序開發機器學習 （ML） 算法有五個典型步驟，如圖 8 所示。對于預測性維護，回歸模型通常用于預測分類模型即將發生的故障。當他們有更多的訓練數據輸入到預測模型中時，他們的表現會更好。10 分鐘的振動數據可能無法檢測到所有的操作特性，而 10 小時則更有可能做到這一點——收集 10 天的數據將保證模型更加強大。
圖 9. CN0549 示例用例。
CN0549 在一個易于使用的系統中提供數據收集步驟，我們可以將高性能振動數據流式傳輸到選擇的 ML 環境。
MEMS IEPE 傳感器配有機械安裝塊，允許將 MEMS 傳感器無縫安裝到資產或振動篩上。請記住，IEPE 壓電傳感器也可以與該系統一起使用，并輕松連接到資產、振動器等。在將數據流式傳輸到數據分析工具之前，應驗證傳感器附件以確保沒有不需要的共振。這可以很容易地使用 IIO 示波器進行實時檢查。一旦系統準備就緒，就可以定義一個用例，如圖 9 所示——例如，電機在 70% 負載能力下的健康運行。然后可以將高質量的振動數據流式傳輸到 MATLAB 或基于 Python 的數據分析工具，例如 TensorFlow 或 PyTorch（以及許多其他工具）。
可以進行分析以識別定義該資產健康狀況的關鍵簽名和特征。一旦有了定義健康運行的模型，就可以播種或模擬故障。重復步驟 4 以識別定義故障的關鍵簽名，并導出模型。故障數據可以與健康的電機數據進行比較，并且可以開發預測模型。
這是 CbM 開發平臺支持的 ML 過程的簡化概述。要記住的關鍵是該平臺可確保將最高質量的振動數據傳遞到 ML 環境。
本文的第 2 部分將詳細介紹軟件堆棧、數據流和開發策略，并從數據科學家或機器學習算法開發人員的角度介紹使用 Python 和 MATLAB 的一些示例。將討論軟件集成的概述以及本地和基于云的開發選項。
審核編輯：郭婷
工商網監
評論