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

振動分析在旋轉(zhuǎn)機構(gòu)和機器中起著關(guān)鍵作用，因為它有助于識別機械健康狀況并預(yù)測故障。工業(yè)設(shè)備和連接的振動傳感器網(wǎng)絡(luò)可以提供有價值的見解，使公司能夠更早地發(fā)現(xiàn)效率低下和問題，最終節(jié)省時間和金錢。

發(fā)現(xiàn)的機械問題包括軸不平衡、軸承故障、齒輪磨損、風力渦輪機葉片不平衡、開裂或腐蝕。除了機械損壞外，這種分析還可以檢測磨料侵入和潤滑不足的問題。振動數(shù)據(jù)不僅可用于監(jiān)測相對簡單的機制，還可用于監(jiān)測復(fù)雜的機制，例如泵、發(fā)動機或風力渦輪機。

然而，并非每個企業(yè)都能負擔有線傳感器網(wǎng)絡(luò)的安裝或維護費用。

還有一些應(yīng)用在技術(shù)上難以實現(xiàn)有線聯(lián)網(wǎng)，甚至無法實現(xiàn)，例如遠程采礦點或從汽車輪胎收集數(shù)據(jù)。為了解決這個問題，人們使用無線 IIoT 傳感器通過無線電信道連接到主機設(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之前減少密集振動信號產(chǎn)生的數(shù)據(jù)量。但有損數(shù)據(jù)壓縮會犧牲重要信息，導(dǎo)致有關(guān)缺陷的關(guān)鍵細節(jié)丟失。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點

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)進行信號處理是一種更好的方法。振動信號可能很復(fù)雜，尤其是在以不同速度和負載運行的機器中。背景和測量噪聲的存在使信號分析更加復(fù)雜。

傳統(tǒng)的振動分析方法往往難以應(yīng)對這種復(fù)雜性，因此需要整合機器學習技術(shù)?；谒惴ǖ臄?shù)據(jù)壓縮具有局限性，尤其是對于噪聲信號，因為它們具有線性數(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)中提取有價值的信息。它們擅長從原始信號中提取特征，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)特別適合解決振動監(jiān)測挑戰(zhàn)。

傳感器處有用的數(shù)據(jù)提取

傳輸前振動數(shù)據(jù)縮減的一個關(guān)鍵方面是使用由編碼器和解碼器組成的自動編碼器神經(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。

自動編碼器訓(xùn)練完成后，其編碼器部分將用于原始信號預(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)練期間學習到的數(shù)據(jù)類別。數(shù)據(jù)類別代表所討論機器的不同穩(wěn)定狀態(tài)。如果數(shù)據(jù)點不屬于已知類別，則可能表示機器出現(xiàn)故障或出現(xiàn)新的操作模式。

當使用來自傳感器節(jié)點的標記數(shù)據(jù)重新訓(xùn)練分類器，以及更新或形成新的類別時，可以應(yīng)用設(shè)備上學習或上訓(xùn)練，從而顯著提高分類精度。

方法通用性

振動監(jiān)測通常處理由各種頻率的正弦信號組成的振動頻譜以及與缺陷、結(jié)構(gòu)和背景噪聲相關(guān)的非確定性寬帶振動。為了優(yōu)化每個信號分量的診斷方法，必須分解振動。自動編碼器神經(jīng)網(wǎng)絡(luò)可以檢測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原始數(shù)據(jù)中提取特征，甚至可以從新類型的輸入信號中提取特征。這使得在生成神經(jīng)形態(tài)嵌入后可以對各種數(shù)據(jù)類型進行聚類和分類。

經(jīng)濟高效的 NFE 實施

在傳感器層面高效運行神經(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現(xiàn)的神經(jīng)網(wǎng)絡(luò)來處理傳感器信號。

NFE 僅從原始數(shù)據(jù)流中提取有價值的數(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。

使用 NASP 和 NFE 進行振動分析的示例

在軸承振動分析中，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的編碼表示，并將每個數(shù)據(jù)點分配給訓(xùn)練期間定義的類別之一。

多層感知器 (MLP) 對軸承振動進行分類的示例

軸承振動的 MLP 分類混淆矩陣示例

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

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

新的應(yīng)用機會

在 IIoT 應(yīng)用中利用神經(jīng)形態(tài)模擬信號處理 (NASP) NFE 帶來了新的機會。神經(jīng)形態(tài)處理的模擬實現(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行并通過節(jié)能無線電協(xié)議進行連接。

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

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，同時提供可靠的結(jié)果。這使得振動分析在許多行業(yè)中部署時都負擔得起，從而保證更高的安全性和可持續(xù)性。