在日益復(fù)雜的工業(yè)和汽車環(huán)境中，狀態(tài)監(jiān)測(cè)對(duì)于確保安全可靠的運(yùn)行變得越來越重要。通過數(shù)據(jù)分析可以檢測(cè)運(yùn)行異常和潛在的設(shè)備缺陷，從而在發(fā)生故障之前及時(shí)進(jìn)行維修。它還可以最大限度地減少維護(hù)頻率并避免不必要的成本。

振動(dòng)分析在旋轉(zhuǎn)機(jī)構(gòu)和機(jī)器中起著關(guān)鍵作用，因?yàn)樗兄谧R(shí)別機(jī)械健康狀況并預(yù)測(cè)故障。工業(yè)設(shè)備和連接的振動(dòng)傳感器網(wǎng)絡(luò)可以提供有價(jià)值的見解，使公司能夠更早地發(fā)現(xiàn)效率低下和問題，最終節(jié)省時(shí)間和金錢。

發(fā)現(xiàn)的機(jī)械問題包括軸不平衡、軸承故障、齒輪磨損、風(fēng)力渦輪機(jī)葉片不平衡、開裂或腐蝕。除了機(jī)械損壞外，這種分析還可以檢測(cè)磨料侵入和潤滑不足的問題。振動(dòng)數(shù)據(jù)不僅可用于監(jiān)測(cè)相對(duì)簡單的機(jī)制，還可用于監(jiān)測(cè)復(fù)雜的機(jī)制，例如泵、發(fā)動(dòng)機(jī)或風(fēng)力渦輪機(jī)。

然而，并非每個(gè)企業(yè)都能負(fù)擔(dān)有線傳感器網(wǎng)絡(luò)的安裝或維護(hù)費(fèi)用。

還有一些應(yīng)用在技術(shù)上難以實(shí)現(xiàn)有線聯(lián)網(wǎng)，甚至無法實(shí)現(xiàn)，例如遠(yuǎn)程采礦點(diǎn)或從汽車輪胎收集數(shù)據(jù)。為了解決這個(gè)問題，人們使用無線 IIoT 傳感器通過無線電信道連接到主機(jī)設(shè)備。然而，將所有原始數(shù)據(jù)直接傳輸?shù)椒?wù)器或云端需要高寬帶通信信道，從而導(dǎo)致大量能耗。

由于無線傳感器通常由電池供電，因此需要使用 LoRa 和 BLE 等功耗較低的窄帶通信通道。為此，必須在傳輸?shù)街鳈C(jī)之前減少密集振動(dòng)信號(hào)產(chǎn)生的數(shù)據(jù)量。但有損數(shù)據(jù)壓縮會(huì)犧牲重要信息，導(dǎo)致有關(guān)缺陷的關(guān)鍵細(xì)節(jié)丟失。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)

雖然可以使用算法來處理工業(yè)物聯(lián)網(wǎng)傳感器生成的未處理數(shù)據(jù)，但使用神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)處理是一種更好的方法。振動(dòng)信號(hào)可能很復(fù)雜，尤其是在以不同速度和負(fù)載運(yùn)行的機(jī)器中。背景和測(cè)量噪聲的存在使信號(hào)分析更加復(fù)雜。

傳統(tǒng)的振動(dòng)分析方法往往難以應(yīng)對(duì)這種復(fù)雜性，因此需要整合機(jī)器學(xué)習(xí)技術(shù)?；谒惴ǖ臄?shù)據(jù)壓縮具有局限性，尤其是對(duì)于噪聲信號(hào)，因?yàn)樗鼈兙哂芯€性數(shù)據(jù)處理特性。

另一方面，神經(jīng)網(wǎng)絡(luò)由于其非線性數(shù)據(jù)處理能力，甚至可以從嘈雜的數(shù)據(jù)中提取有價(jià)值的信息。它們擅長從原始信號(hào)中提取特征，執(zhí)行聚類和分類數(shù)據(jù)。某些深度神經(jīng)網(wǎng)絡(luò)架構(gòu)特別適合解決振動(dòng)監(jiān)測(cè)挑戰(zhàn)。

傳感器處有用的數(shù)據(jù)提取

傳輸前振動(dòng)數(shù)據(jù)縮減的一個(gè)關(guān)鍵方面是使用由編碼器和解碼器組成的自動(dòng)編碼器神經(jīng)網(wǎng)絡(luò)從原始數(shù)據(jù)流中提取有用信息。編碼器從輸入信號(hào)中提取數(shù)據(jù)特征，在明顯低維的空間中創(chuàng)建所謂的嵌入。

自動(dòng)編碼器訓(xùn)練完成后，其編碼器部分將用于原始信號(hào)預(yù)處理。這樣可以將從編碼器輸出端無線傳輸?shù)轿挥?MCU、服務(wù)器或云端的分類器的數(shù)據(jù)量減少 1,000 倍至 4,000 倍。

解碼器部分被分類器取代，分類器使用在訓(xùn)練期間學(xué)習(xí)到的數(shù)據(jù)類別。數(shù)據(jù)類別代表所討論機(jī)器的不同穩(wěn)定狀態(tài)。如果數(shù)據(jù)點(diǎn)不屬于已知類別，則可能表示機(jī)器出現(xiàn)故障或出現(xiàn)新的操作模式。

當(dāng)使用來自傳感器節(jié)點(diǎn)的標(biāo)記數(shù)據(jù)重新訓(xùn)練分類器，以及更新或形成新的類別時(shí)，可以應(yīng)用設(shè)備上學(xué)習(xí)或上訓(xùn)練，從而顯著提高分類精度。

方法通用性

振動(dòng)監(jiān)測(cè)通常處理由各種頻率的正弦信號(hào)組成的振動(dòng)頻譜以及與缺陷、結(jié)構(gòu)和背景噪聲相關(guān)的非確定性寬帶振動(dòng)。為了優(yōu)化每個(gè)信號(hào)分量的診斷方法，必須分解振動(dòng)。自動(dòng)編碼器神經(jīng)網(wǎng)絡(luò)可以檢測(cè)這些頻譜中的非線性分量，即使失真很小。

嵌入生成是一種通用方法，允許經(jīng)過訓(xùn)練的編碼器從任何類型的振動(dòng)原始數(shù)據(jù)中提取特征，甚至可以從新類型的輸入信號(hào)中提取特征。這使得在生成神經(jīng)形態(tài)嵌入后可以對(duì)各種數(shù)據(jù)類型進(jìn)行聚類和分類。

經(jīng)濟(jì)高效的 NFE 實(shí)施

在傳感器層面高效運(yùn)行神經(jīng)網(wǎng)絡(luò)至關(guān)重要。神經(jīng)形態(tài)前端 (NFE) 直接在傳感器節(jié)點(diǎn)引入模擬神經(jīng)形態(tài)處理。NFE 使用在由模擬電路元件制成的微型超低功耗硅芯片上實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)來處理傳感器信號(hào)。

NFE 僅從原始數(shù)據(jù)流中提取有價(jià)值的數(shù)據(jù)，將傳輸?shù)臄?shù)據(jù)減少到適合窄帶無線通信的千比特，從而降低功耗。由于采用并行數(shù)據(jù)處理，NFE 通常僅消耗約 100 μW，從而支持電池供電操作或基于能量收集的設(shè)計(jì)。

使用 NASP 和 NFE 進(jìn)行振動(dòng)分析的示例

在軸承振動(dòng)分析中，分類的數(shù)據(jù)可以包括軸承的不同轉(zhuǎn)速，破碎的鋸齒噪聲，缺油，軸承潤滑劑中的磨料或軸承夾變形。

在 NFE 解決方案中，從軸承收集的振動(dòng)數(shù)據(jù)集由經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)處理。分類器接收各種振動(dòng)的編碼表示，并將每個(gè)數(shù)據(jù)點(diǎn)分配給訓(xùn)練期間定義的類別之一。

多層感知器 (MLP) 對(duì)軸承振動(dòng)進(jìn)行分類的示例

軸承振動(dòng)的 MLP 分類混淆矩陣示例

可以使用混淆矩陣來評(píng)估神經(jīng)網(wǎng)絡(luò)性能，提供準(zhǔn)確度、精確度、召回率和 F1 分?jǐn)?shù)等指標(biāo)。下表總結(jié)了使用各種分類器的 NFE 解決方案進(jìn)行軸承振動(dòng)分析的典型性能：

NFE 解決方案通過不同的分類器表現(xiàn)出較高的準(zhǔn)確性，確保可靠的振動(dòng)分析。這種方法具有通用性，適用于各種機(jī)制和操作模式。

新的應(yīng)用機(jī)會(huì)

在 IIoT 應(yīng)用中利用神經(jīng)形態(tài)模擬信號(hào)處理 (NASP) NFE 帶來了新的機(jī)會(huì)。神經(jīng)形態(tài)處理的模擬實(shí)現(xiàn)在降低功耗和減少推理延遲方面起著至關(guān)重要的作用。這一進(jìn)步允許與緊湊型傳感器集成，使它們能夠使用電池電源或能量收集運(yùn)行并通過節(jié)能無線電協(xié)議進(jìn)行連接。

數(shù)據(jù)量顯著減少數(shù)千倍，可用于新的與移動(dòng)相關(guān)的應(yīng)用，例如智能輪胎，為高級(jí)駕駛輔助系統(tǒng)和車隊(duì)管理系統(tǒng)以及機(jī)器人、精密機(jī)械或火車輪對(duì)提供評(píng)估。

資源高效的 NFE 方法可顯著減少數(shù)據(jù)流量以及基礎(chǔ)設(shè)施和總擁有成本，同時(shí)提供可靠的結(jié)果。這使得振動(dòng)分析在許多行業(yè)中部署時(shí)都負(fù)擔(dān)得起，從而保證更高的安全性和可持續(xù)性。