نظارت بی سیم مبتنی بر حالت پیشرفته با راه حل تعبیه شده با هوش مصنوعی لبه

نظارت مبتنی بر حالت (CbM) به جلوگیری از خرابی دستگاه از طریق تعمیر و نگهداری پیش بینی کمک می کند، اما طراحی یک سیستم موثر به طور معمول نیاز به یکپارچه سازی بهینه از سنجش دقیق دارد.زنجیره های سیگنال کم سر و صدااین ویژگی های پیچیده ای هستند که ممکن است انتشار CbM را به تاخیر بیندازند و هزینه ها را افزایش دهند.طراحان همچنین مزایای تحلیل هوش مصنوعی (AI) را تشخیص می دهند، اما این باعث می شود که CbM پیچیده تر شود. ما باید یک راه حل مستقیم و موثر پیدا کنیم.

این مقاله ابتدا به طور خلاصه سنسورهای نزدیکی را معرفی می کند و سپس راه حل های پلاگ و پلی دستگاه های آنالوگ را معرفی می کند.این راه حل امکان استفاده فوری از CbM بی سیم را با قابلیت های هوش مصنوعی می دهد..

اهمیت نظارت دولت
زمان توقف برنامه ریزی نشده همچنان یک چالش عمده در حفظ بهره وری عملیاتی بالا از تجهیزات است.ممکن است منجر به فلج شدن کل خط تولید شودروش های نگهداری سنتی شامل تعمیرات منفعل پس از خرابی یا تعمیرات دوره ای دقیق است.اما این روش ها معایب خود را دارند: نگهداری غیرفعال می تواند منجر به زمان توقف گران باشد، در حالی که نگهداری دوره ای می تواند هزینه های منابع را با جایگزینی غیر ضروری قطعات هنوز در حال اجرا افزایش دهد.

استفاده از CbM امکان اجرای روش های نگهداری پیش بینی مقرون به صرفه تر را فراهم می کند.اپراتورهای تجهیزات می توانند سیگنال های هشدار دهنده کاهش عملکرد قطعات را قبل از بروز نقص شناسایی کنند.این رویکرد مبتنی بر داده می تواند زمان توقف برنامه ریزی نشده را کاهش دهد، طول عمر تجهیزات را افزایش دهد و کل هزینه مالکیت را کاهش دهد.

با وجود مزایای متعدد CbM، استفاده از آن ممکن است به دلیل نیازهای پیچیده و نیاز به تخصص بین رشته ای متوقف شود.غلبه بر این چالش ها یک چالش بزرگ در موفقیت در استفاده از نگهداری پیش بینی مبتنی بر CbM است..

چالش ها و الزامات ناشی از نظارت مبتنی بر دولت
برای استفاده کامل از مزایای بالقوه CbM، راه حل های CbM باید به طور قابل اعتماد در محیط های صنعتی و خودرو کار کنند.در حالی که انجام تجزیه و تحلیل به موقع بر اساس داده های اندازه گیری دقیقبا این حال، حتی در طول کار عادی تجهیزات نظارت شده، این شرایط خاص کار می تواند تجهیزات اندازه گیری را تحت فشار محیط زیست و مکانیکی عظیم قرار دهد.موتورهای صنعتی، سیستم های انتقال و تجهیزات چرخش سنگین می توانند به طور مداوم دستگاه های نظارت را در معرض لرزش، شوک، دمای شدید و سطوح بالای تداخل الکترومغناطیسی (EMI) قرار دهند.

برای دستیابی به تعمیرات پیش بینی قابل اعتماد، سنسورهای ارتعاش در دستگاه های CbM باید قادر به تشخیص تغییرات ظریف باشند، که اغلب اولین سرنخ عدم تعادل شاخه، عدم تراز،یا پوشیدنبرای اطمینان از اندازه گیری ارتعاش با دقت بالا در شرایط محیطی سخت، یک زیرسیستم سنجش سیگنال سنسور با پهنای باند بالا و کم سر و صدا مورد نیاز است.که می تواند عملکرد پایدار را در محیط های سخت کاری حفظ کند.

به عنوان هسته اصلی روش CbM، تجزیه و تحلیل لرزش پایه ای برای شناسایی الگوهایی است که می تواند بین عملکرد عادی و علائم اولیه خرابی تشخیص دهد.سیستم های سنسور لرزش نتایج اندازه گیری را برای تجزیه و تحلیل به یک میزبان مرکزی یا منابع ابری منتقل می کنند.با این حال، راه حل های پیشرفته CbM به طور فزاینده ای توانایی های تجزیه و تحلیل را به لبه تغییر داده اند. با تجزیه و تحلیل داده ها در داخل یا نزدیک سیستم سنسور،نتایج را می توان در کوتاه ترین زمان ممکن به دست آورد و ترافیک را در شبکه های صنعتی و خودرو حساس به زمان کاهش می دهد.

به طور خاص، نتیجه گیری AI بر اساس مدل های شبکه عصبی مخلوط (CNN) می تواند تفسیر زمان واقعی تغییرات ارتعاش را فراهم کند.استفاده از CNN برای نتیجه گیری نیاز به مقدار قابل توجهی از محاسبات، که رسیدن به اهداف CbM بدون تجاوز از قدرت سیستم، اندازه یا محدودیت هزینه را پیچیده تر می کند.

با استفاده فزاینده از CbM در دستگاه های چرخان، دستگاه های از راه دور یا تلفن همراه، و غیر عملی بودن اتصالات سیم کشی، به حداقل رساندن مصرف برق ضروری تر شده است.برای پاسخگویی به الزامات اتصال بی سیم در این شرایط، بلوتوث کم انرژی (BLE) می تواند ترکیبی مورد نیاز از فاصله انتقال، قدرت و قابلیت اطمینان را در مقایسه با سایر فن آوری های اتصال اختیاری (جدول 1) به دست آورد.

با این حال، مانند پردازش AI لبه، چالش ما پیدا کردن یک راه حل اتصال BLE است که می تواند به طور معمول در محدوده قدرت سیستم های سنسور بی سیم کار کند. در واقع،اطمینان از طول عمر باتری همچنان یک چالش برای هر طراح سیستم سنسور بی سیم استبا این حال، این امر به ویژه در کاربردهای صنعتی و خودرو که دسترسی به سنسورها دشوار است، مهم است. در سیستم های CbM که نیاز به نتیجه گیری CNN دارند،باتری و مدیریت برق به طور فزاینده ای مهم می شوندچالش در این زمینه این است که چگونه تنظیم کننده های ولتاژ متعدد، تسلسل دهنده ها و سیستم های شارژ را هماهنگ کنیم تا مصرف برق را کاهش دهیم و در عین حال عملکرد پایدار را تضمین کنیم.

کیت ارزیابی یک راه حل CbM بی سیم جاسازی شده با قابلیت AI لبه ای را فراهم می کند
The EV-CBM-VOYAGER4-1Z Voyager 4 kit from Analog Devices provides a complete battery powered vibration monitoring platform for continuous evaluation of CbM technology or immediate deployment in predictive maintenance applicationsاین کیت یک پشتیبانی عمودی را اتخاذ می کند (شکل 1 بالا).به طور محکم تخته مدار چاپی اصلی (بورد PC) را در یک طرف و باتری را در طرف دیگر برای از بین بردن تاثیر محیط های خشن ثابت می کندصفحه مدار قدرت و سنسور در پایین پشتیبان قرار دارند، نزدیک به منبع ارتعاش برای نظارت.اجزای پشتیبانی عمودی در داخل یک پوشش محافظ آلومینیومی با قطر 46 میلی متر و ارتفاع 77 میلی متر قرار دارند (شکل 1)قسمت بالای پوشش محافظ با یک پوشش آکریلیک ABS مجهز است که می تواند برای اتصال BLE استفاده شود.