选择最合适的预测性维护传感器
基于状态的监控 （CbM） 涉及使用传感器监控机器或资产，以测量当前的健康状况。预测性维护 （PdM） 涉及 CbM、机器学习和分析等技术的组合，以预测即将发生的机器或资产故障。在监控机器的健康状况时，选择最合适的传感器以确保可以检测、诊断甚至预测故障至关重要。目前有许多传感器用于检测和检测旋转机械及其负载中的故障，最终目标是避免计划外停机。由于PdM技术应用于多种旋转机器（电机、齿轮、泵和涡轮机）和非旋转机器（阀门、断路器和电缆），因此很难对每个传感器进行排序。
许多工业电机设计为在化学和食品加工厂以及发电设施等连续生产应用中工作长达 20 年，但有些电机未达到其预计使用寿命。1这可能是由于电机运行不足、维护计划不足、缺乏对 PdM 系统的投资或根本没有 PdM 系统。PdM 使维护团队能够安排维修并避免计划外停机。通过 PdM 及早预测机器故障还可以帮助维护工程师识别和修复运行效率低下的电机，从而提高性能、生产率、资产可用性和使用寿命。
最好的 PdM 策略是有效利用尽可能多的技术和传感器来及早检测故障并具有高度置信度的策略，因此，没有一个传感器适合所有人的解决方案。本文旨在阐明为什么预测性维护传感器对于早期检测 PdM 应用中的故障至关重要，以及它们的优点和缺点。
系统故障时间表
图 1 显示了从安装新电机到电机故障的事件模拟时间线以及推荐的预测性维护传感器类型。安装新电机时，它在保修期内。几年后，保修期将到期，此时将实施更频繁的人工检查团。
图1.机器运行状况与时间。
如果在这些定期维护检查之间出现故障，则可能会出现计划外停机。在这种情况下，拥有合适的预测性维护传感器以尽早检测潜在故障变得至关重要，因此，本文将重点介绍振动和声学传感器。振动分析通常被认为是PdM的最佳起点。
预测性维护传感器
一些传感器可以比其他传感器更早地检测到某些故障，例如轴承损坏，如图1所示。在本节中，将讨论最常用于尽早检测故障的传感器，即加速度计和麦克风。表 1 显示了传感器规格列表以及它们可以检测到的一些故障。大多数PdM系统只会使用其中一些传感器，因此必须确保充分了解潜在的关键故障以及最适合检测它们的传感器。
| 测量 | 传感器 | 关键信息 | 目标故障 |
| 振动 | 压电加速度计 | 低噪声，频率高达 30 kHz，在 CbM 应用中久经考验 | 轴承状态、齿轮啮合、泵气蚀、不对中、不平衡、负载条件 |
| 振动 | 微机电系统加速度计 | 低成本/功耗/尺寸，频率高达 20 kHz+ | 轴承状态、齿轮啮合、泵气蚀、不对中、不平衡、负载条件 |
| 声压 | 麦克风 | 低成本/功耗/尺寸，频率高达 20 kHz | 轴承状态、齿轮啮合、泵气蚀、不对中、不平衡、负载条件 |
| 声压 | 超声波麦克风 | 低成本/功耗/尺寸，频率高达 100 kHz | 压力泄漏、轴承状况、齿轮啮合、泵气蚀、不对中、不平衡 |
| 电机电流 | 分流器、电流互感器 | 低成本、无创，通常在电机电源下测量 | 偏心转子、绕组问题、转子棒问题、供应不平衡、轴承问题 |
| 磁场 | 霍尔、磁力计、搜索线圈 | 低成本/尺寸，频率高达 250 Hz，在整个温度范围内保持稳定 | 转子杆、端环问题 |
| 温度 | 红外热成像 | 昂贵、准确、同时提供多种资产/热源 | 由于摩擦、负载变化、启动/停止过度、电源不足而导致的热源位置 |
| 温度 | RTD，热电偶，数字 | 低成本、尺寸、精度高 | 摩擦引起的温度变化、负载变化、启动/停止过度、电源不足 |
| 油品质量 | 粒子监测仪 | 粘度、颗粒和污染 | 检测磨损产生的碎屑 |
传感器和系统故障注意事项
工业和商业应用中90%以上的旋转机械使用滚动轴承。3电机故障组件的分布如图2所示，可以清楚地看到，在选择PdM传感器时，关注轴承监控非常重要。为了检测、诊断和预测潜在故障，振动传感器必须具有低噪声和宽带宽能力。
图2.电机组件故障发生率的百分比。4
表 2 显示了与旋转电机相关的一些最常见故障，以及 PdM 应用中使用的一些相应振动传感器要求。为了尽早检测故障，PdM系统通常需要高性能传感器。资产上使用的预测性维护传感器的性能水平与资产在整个过程中持续可靠运行的重要性相关，而不是以牺牲资产本身为代价。
表 2.机器故障和振动传感器注意事项的简要概述
| 传感器要求 | 常见机器故障 | |||
| 不平衡 | 失调 | 轴承缺陷 | 齿轮缺陷 | |
| 低至中等噪声 >100 μg/√Hz |
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。
举报投诉
发布评论请先 登录 相关推荐 传感器在工业 4.0 预测性维护中的应用预测性维护在很大程度上依赖技工的专长和直觉来解决问题或诊断故障，而今天的先进诊断设备和工业 4.0 技术增加了电子传感器和机械传感器，能够更
使用电流传感器高效地采集数据，实现 AI 预测性维护问题的广泛兴趣。AI/ML系统设计人员要想实现此类预测性维护，面临的难题之一是为应用选择最合适的传感器
用matlab编程进行BP神经网络预测时如何确定最合适的，BP模型请问用matlab编程进行BP神经网络预测时，训练结果很多都是合适的，但如何确定最合适的？且如何用最合适的BP模型进行外推预测？
发表于 02-08 14:19
如何使用Amazon IoT和Amazon SageMaker进行设备实时预测性维护？物联网（IoT）的一个典型应用场景是能够从传感器数据中获取上下文洞察力，例如分析设备异常或者进行预测性维护，及时给予用户通知。在本文中，我们将专注于通过设备多项指标对设备进行
发表于 07-06 06:10
如何帮你的回归问题选择最合适的机器学习算法回归分析在机器学习领域应用非常广泛，例如，商品的销量预测问题，交通流量预测问题。那么，如何为这些回归问题选择最合适的机器学习算法呢？
怎么选择最合适的预测性维护传感器？选择最合适的传感器，以确保能够检测、诊断甚至预测故障，这点至关重要。 目前有许多传感器被用于检测旋转机器及其负载中的故障，从而避免意外停机。
如何选择合适的传感器 传感器选择指南这么多传感器，在设计测量系统之前，如何在海量传感器中选出合适的呢?小编为您奉上一份NI出品的传感器选择指南技术白皮书，指南中对七种常见的
传感器在工业4.0预测性维护中的应用作为工业 4.0 的重要组成部分，本地决策系统在设备内或附近收集传感器数据，以此为依据做出正确判断，帮助检修人员提前发现昂贵、复杂的可能是远程设备出现的小问题，避免酿成大事故。这个功能要求传感器必须具有边缘处理［13］能力和人工智能 （AI），因为人工智能是
采用“3483”选型法则为设计选择最合适的气压传感器意法半导体的气压传感器已经越来越多地被用于智能手机，平板电脑和可穿戴技术中，并为精准的高度位置监测以及预测性维护等新工业应用打开大门。那该如何根据设计需求
选择合适的预测性维护传感器没有 PdM 系统。PdM 使维护团队能够安排维修并避免计划外停机。通过 PdM 及早预测机器故障还可以帮助维护工程师识别和修复运行效率低下的电机，从而提高性能、生产率、资产可用性和使
版权所有 © 湖南华秋数字科技有限公司 长沙市望城经济技术开发区航空路6号手机智能终端产业园2号厂房3层（0731-88081133） 电子发烧友 （电路图） 湘公网安备43011202000918 工商网监
湘ICP备2023018690号-1
| |||
评论