選擇最合適的預測性維護傳感器
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況。預測性維護 （PdM） 涉及 CbM、機器學習和分析等技術的組合，以預測即將發生的機器或資產故障。在監控機器的健康狀況時，選擇最合適的傳感器以確保可以檢測、診斷甚至預測故障至關重要。目前有許多傳感器用于檢測和檢測旋轉機械及其負載中的故障，最終目標是避免計劃外停機。由于PdM技術應用于多種旋轉機器（電機、齒輪、泵和渦輪機）和非旋轉機器（閥門、斷路器和電纜），因此很難對每個傳感器進行排序。
許多工業電機設計為在化學和食品加工廠以及發電設施等連續生產應用中工作長達 20 年，但有些電機未達到其預計使用壽命。1這可能是由于電機運行不足、維護計劃不足、缺乏對 PdM 系統的投資或根本沒有 PdM 系統。PdM 使維護團隊能夠安排維修并避免計劃外停機。通過 PdM 及早預測機器故障還可以幫助維護工程師識別和修復運行效率低下的電機，從而提高性能、生產率、資產可用性和使用壽命。
最好的 PdM 策略是有效利用盡可能多的技術和傳感器來及早檢測故障并具有高度置信度的策略，因此，沒有一個傳感器適合所有人的解決方案。本文旨在闡明為什么預測性維護傳感器對于早期檢測 PdM 應用中的故障至關重要，以及它們的優點和缺點。
系統故障時間表
圖 1 顯示了從安裝新電機到電機故障的事件模擬時間線以及推薦的預測性維護傳感器類型。安裝新電機時，它在保修期內。幾年后，保修期將到期，此時將實施更頻繁的人工檢查團。
圖1.機器運行狀況與時間。
如果在這些定期維護檢查之間出現故障，則可能會出現計劃外停機。在這種情況下，擁有合適的預測性維護傳感器以盡早檢測潛在故障變得至關重要，因此，本文將重點介紹振動和聲學傳感器。振動分析通常被認為是PdM的最佳起點。
預測性維護傳感器
一些傳感器可以比其他傳感器更早地檢測到某些故障，例如軸承損壞，如圖1所示。在本節中，將討論最常用于盡早檢測故障的傳感器，即加速度計和麥克風。表 1 顯示了傳感器規格列表以及它們可以檢測到的一些故障。大多數PdM系統只會使用其中一些傳感器，因此必須確保充分了解潛在的關鍵故障以及最適合檢測它們的傳感器。
| 測量 | 傳感器 | 關鍵信息 | 目標故障 |
| 振動 | 壓電加速度計 | 低噪聲，頻率高達 30 kHz，在 CbM 應用中久經考驗 | 軸承狀態、齒輪嚙合、泵氣蝕、不對中、不平衡、負載條件 |
| 振動 | 微機電系統加速度計 | 低成本/功耗/尺寸，頻率高達 20 kHz+ | 軸承狀態、齒輪嚙合、泵氣蝕、不對中、不平衡、負載條件 |
| 聲壓 | 麥克風 | 低成本/功耗/尺寸，頻率高達 20 kHz | 軸承狀態、齒輪嚙合、泵氣蝕、不對中、不平衡、負載條件 |
| 聲壓 | 超聲波麥克風 | 低成本/功耗/尺寸，頻率高達 100 kHz | 壓力泄漏、軸承狀況、齒輪嚙合、泵氣蝕、不對中、不平衡 |
| 電機電流 | 分流器、電流互感器 | 低成本、無創，通常在電機電源下測量 | 偏心轉子、繞組問題、轉子棒問題、供應不平衡、軸承問題 |
| 磁場 | 霍爾、磁力計、搜索線圈 | 低成本/尺寸，頻率高達 250 Hz，在整個溫度范圍內保持穩定 | 轉子桿、端環問題 |
| 溫度 | 紅外熱成像 | 昂貴、準確、同時提供多種資產/熱源 | 由于摩擦、負載變化、啟動/停止過度、電源不足而導致的熱源位置 |
| 溫度 | RTD，熱電偶，數字 | 低成本、尺寸、精度高 | 摩擦引起的溫度變化、負載變化、啟動/停止過度、電源不足 |
| 油品質量 | 粒子監測儀 | 粘度、顆粒和污染 | 檢測磨損產生的碎屑 |
傳感器和系統故障注意事項
工業和商業應用中90%以上的旋轉機械使用滾動軸承。3電機故障組件的分布如圖2所示，可以清楚地看到，在選擇PdM傳感器時，關注軸承監控非常重要。為了檢測、診斷和預測潛在故障，振動傳感器必須具有低噪聲和寬帶寬能力。
圖2.電機組件故障發生率的百分比。4
表 2 顯示了與旋轉電機相關的一些最常見故障，以及 PdM 應用中使用的一些相應振動傳感器要求。為了盡早檢測故障，PdM系統通常需要高性能傳感器。資產上使用的預測性維護傳感器的性能水平與資產在整個過程中持續可靠運行的重要性相關，而不是以犧牲資產本身為代價。
表 2.機器故障和振動傳感器注意事項的簡要概述
| 傳感器要求 | 常見機器故障 | |||
| 不平衡 | 失調 | 軸承缺陷 | 齒輪缺陷 | |
| 低至中等噪聲 >100 μg/√Hz |
聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規問題，請聯系本站處理。
舉報投訴
發布評論請先 登錄 相關推薦 傳感器在工業 4.0 預測性維護中的應用預測性維護在很大程度上依賴技工的專長和直覺來解決問題或診斷故障，而今天的先進診斷設備和工業 4.0 技術增加了電子傳感器和機械傳感器，能夠更
使用電流傳感器高效地采集數據，實現 AI 預測性維護問題的廣泛興趣。AI/ML系統設計人員要想實現此類預測性維護，面臨的難題之一是為應用選擇最合適的傳感器
用matlab編程進行BP神經網絡預測時如何確定最合適的，BP模型請問用matlab編程進行BP神經網絡預測時，訓練結果很多都是合適的，但如何確定最合適的？且如何用最合適的BP模型進行外推預測？
發表于 02-08 14:19
如何使用Amazon IoT和Amazon SageMaker進行設備實時預測性維護？物聯網（IoT）的一個典型應用場景是能夠從傳感器數據中獲取上下文洞察力，例如分析設備異常或者進行預測性維護，及時給予用戶通知。在本文中，我們將專注于通過設備多項指標對設備進行
發表于 07-06 06:10
如何幫你的回歸問題選擇最合適的機器學習算法回歸分析在機器學習領域應用非常廣泛，例如，商品的銷量預測問題，交通流量預測問題。那么，如何為這些回歸問題選擇最合適的機器學習算法呢？
怎么選擇最合適的預測性維護傳感器？選擇最合適的傳感器，以確保能夠檢測、診斷甚至預測故障，這點至關重要。 目前有許多傳感器被用于檢測旋轉機器及其負載中的故障，從而避免意外停機。
如何選擇合適的傳感器 傳感器選擇指南這么多傳感器，在設計測量系統之前，如何在海量傳感器中選出合適的呢?小編為您奉上一份NI出品的傳感器選擇指南技術白皮書，指南中對七種常見的
傳感器在工業4.0預測性維護中的應用作為工業 4.0 的重要組成部分，本地決策系統在設備內或附近收集傳感器數據，以此為依據做出正確判斷，幫助檢修人員提前發現昂貴、復雜的可能是遠程設備出現的小問題，避免釀成大事故。這個功能要求傳感器必須具有邊緣處理［13］能力和人工智能 （AI），因為人工智能是
采用“3483”選型法則為設計選擇最合適的氣壓傳感器意法半導體的氣壓傳感器已經越來越多地被用于智能手機，平板電腦和可穿戴技術中，并為精準的高度位置監測以及預測性維護等新工業應用打開大門。那該如何根據設計需求
選擇合適的預測性維護傳感器沒有 PdM 系統。PdM 使維護團隊能夠安排維修并避免計劃外停機。通過 PdM 及早預測機器故障還可以幫助維護工程師識別和修復運行效率低下的電機，從而提高性能、生產率、資產可用性和使
版權所有 ? 湖南華秋數字科技有限公司 長沙市望城經濟技術開發區航空路6號手機智能終端產業園2號廠房3層（0731-88081133） 電子發燒友 （電路圖） 湘公網安備43011202000918 工商網監
湘ICP備2023018690號-1
| |||
評論