摘要

本文說明MEMS技術的最新進展如何將加速度傳感器推到前沿，在狀態監控應用中與壓電傳感器抗衡競爭；還將討論如何使用使這一切成為可能的新開發平臺。

狀態監控(CbM)和預測性維護(PdM)簡介

狀態監控(CbM)涉及使用傳感器來測量當前的健康狀態，以監測機器或資產。預測性維護(PdM)需要組合使用CbM、機器學習和分析等多種技術，以預測未來的資產維護周期或可能發生的故障。預計全球設備健康監測將顯著發展，因而知曉和了解關鍵的趨勢勢在必行。越來越多的CbM公司開始采用PdM來提高其產品的差異化優勢。關于CbM，維護和設備管理人員現在有了新的選擇，比如無線裝置，以及更低成本的高性能裝置。雖然大部分CbM系統的基礎設施保持不變，但現在我們可以將新的MEMS技術直接集成到以前主要采用壓電式傳感器，或因成本障礙而未進行監控的系統中。

狀態監控—工程挑戰和設計決策

在典型的CbM信號鏈設計中，需要考慮許多不同的工程規范和技術，這些規范和技術都在不斷改進，其復雜性也在不斷增加。現在有各種類型的客戶，他們可能具備某個領域的專業知識，例如算法開發（僅軟件）或硬件設計（僅硬件），但并非始終同時精通這兩個方面。

對于希望專注于算法開發的開發人員，他們要求數據信息庫能夠準確預測資產故障和停機。他們不想設計硬件，或者解決數據完整性故障；而是想使用確實高度保真的數據。同樣，對于希望提高系統可靠性或降低成本的硬件工程師，他們需要一種可以輕松連接到現有的基礎設施的解決方案，從而可以對現有解決方案進行基準測試。他們需要以易于使用和導出的可讀格式訪問數據，以免浪費時間來評估性能。

許多系統級挑戰都可以采用平臺方法解決（從傳感器到算法開發），從而支持所有類型的客戶。

CN0549是什么？它如何幫助延長設備的壽命？

CN0549 CbM開發平臺

CN0549狀態監控平臺是一種高性能、現成的硬件和軟件解決方案，可以將高保真的振動數據流從資產傳輸到算法/機器學習開發環境中。該平臺為硬件專家提供了一個經過測試和驗證的系統解決方案，可以提供高度精準的數據采集、與資產之間的可靠機械耦合，以及高性能寬帶振動傳感器。同時提供所有硬件設計文件，幫助您輕松集成到設計的產品中。CN0549對軟件專家也很有吸引力，它概括了狀態監控信號鏈硬件挑戰，讓軟件團隊和數據專家能夠直接開始開發機器學習算法。重要特性和優點包括：

21. 易于安裝到資產中，同時保持機械耦合信號的完整性
21. 具有IEPE數據輸出格式的寬帶寬MEMS加速度計傳感器
21. IEPE、模擬輸入帶寬從DC到54 kHz的高保真數據采集(DAQ)解決方案
21. 嵌入式網關捕捉和存儲原始數據，用于本地或聯網處理
21. 使用ADI的IIO示波器應用實時顯示頻域數據
21. 直接將傳感器數據流傳輸至熱門的數據分析工具，例如Python和MATLAB^®

CbM開發平臺主要由四種不同的元件構成（如圖1所示），我們將分別逐一介紹，然后介紹整個組合解決方案。

圖1.構成CbM開發平臺的元件

高度精準、高保真的數據捕捉和處理

在帶寬更寬、傳感器噪聲更低時，可以更早檢測到故障，例如軸承問題、氣蝕和齒輪嚙合。數據采集電子設備必須確保測量的振動數據高度保真，這一點非常重要；否則可能導致重要的故障信息丟失。確保振動數據保真，這樣我們就可以更快地發現變化趨勢，且非常自信地提供預測性維護建議，從而減少機械元件不必要的磨損，隨之延長資產的使用壽命。

對重要性較低的資產實施狀態監控的經濟高效的方法

壓電式加速度計是最關鍵的資產上使用的最高性能的振動傳感器，對于這些資產來說，性能比成本更重要。一直以來，壓電傳感器的高成本都阻礙了對重要性較低的資產實施狀態監控。現在，MEMS振動傳感器在噪聲、帶寬和g范圍等方面都不遜于壓電式傳感器，這讓維護和設備管理人員能夠更深入地了解重要性較低的資產，這些資產以前采用故障排除或被動維護計劃。這主要是因為MEMS的性能高，成本低。現在，我們可以使用經濟高效的方法來持續監控中低等重要性的資產。我們可以利用先進的振動傳感技術，輕松識別和修復資產上不必要的磨損，幫助延長資產的使用壽命。這也有助于提高設備的整體效率，減少機器或工藝停機時間。

監控資產—檢測問題

對于CbM和PdM，可以使用多種不同類型的檢測模式。大部分應用都涉及電流檢測、電磁檢測、流量監控和其他幾種模式。振動檢測是CbM中最常用的模式，壓電式加速度計則是最常用的振動傳感器。在本節中，我們將回顧技術進步如何推動振動傳感器領域不斷發展，以及這對應用決策產生什么樣的影響。

MEMS與壓電式加速度計

壓電式加速度計是性能非常高的傳感器，但要達到該性能，需要做出許多設計取舍。例如，壓電式加速度計通常都是用在有線安裝中，這是因為它們會消耗過多功率、體積可能很大（尤其是三軸傳感器），且成本高昂。綜合上述所有這些因素，在整個工廠內使用壓電式傳感器是不現實的，所以，它們一般只用在關鍵資產上。

MEMS加速度計一直沒有足夠的帶寬、噪聲過高，g范圍也僅支持監控不太重要的資產，這種情況直到最近才發生改變。MEMS技術的最新進展克服了這些限制，使MEMS振動傳感器能夠監控低端資產，也能監控非常重要的資產。表1顯示了壓電式傳感器和MEMS傳感器在CbM應用中所需的重要特性。MEMS加速度計體積小、可通過電池供電運行數年、成本低，且性能不遜于壓電式傳感器，正快速成為許多CbM應用的首選傳感器。

CN0549 CbM開發平臺兼容MEMS和IEPE壓電式加速度計，可在不同傳感器類型之間進行基準比較。

表1.MEMS與壓電式加速度計

現有IEPE基礎設施中使用MEMS加速度計

如表1所示，與壓電式傳感器相比，MEMS加速度計現在可以提供具有競爭力的規格和性能，但是，它們能夠取代現有的壓電式傳感器嗎？為了便于設計人員評估并使用MEMS加速度計來取代壓電式加速度計，ADI設計了一個接口，它可以兼容CbM應用中實際使用的IEPE標準壓電式傳感器接口。

IEPE傳感器接口和機械安裝(CN0532)

CN0532（如圖2所示）是一個IEPE轉換電路，讓MEMS加速度計和現有IEPE傳感器一樣，直接與IEPE基礎設施無縫連接。

圖2.CN0532 MEMS IEPE轉換電路

單軸MEMS傳感器通常有三條輸出線路：電源、接地和加速度輸出。IEPE基礎設施只需要兩條：一條線路接地，另一條傳輸電源/信號。電流傳輸給傳感器，當傳感器檢測到振動時，由同一條線路輸出電壓。

圖3.說明MEMS傳感器如何與現有的IEPE基礎設施（電源和數據）連接的簡化示意圖

CN0532 PCB的設計厚度為90 mils，以保持數據手冊中給出的MEMS加速度計的頻率響應性能。測試裝置采用螺釘安裝，開箱即可進行測試。安裝塊、PCB和焊錫膏等均進行了廣泛表征，以確保全帶寬機械轉換功能、最大限度地提高傳感器帶寬內各類故障的可見性，并通過捕捉這些故障來延長資產的使用壽命。這些解決方案讓CbM設計人員能夠輕松將MEMS加速度計集成到他們的資產中，并與現有的壓電式基礎設施無縫連接。

對于高頻振動測試，機械信號路徑的完整性非常重要。換句話說，從信號源到傳感器，振動信號必須沒有衰減（由于阻尼）或放大（由于諧振）。如圖4所示，一個鋁質安裝塊(EVAL-XLMOUNT1)、四個螺釘安裝座和一個厚PCB，確保對目標頻率范圍提供平坦的機械響應。IEPE參考設計讓設計人員能夠輕松使用MEMS傳感器來取代壓電式傳感器。

圖4.振動測量測試裝置：使用EVAL-XLMOUNT1鋁質安裝塊將EVAL-CN0532-EBZ板連接至振動臺

圖5.EVAL-CN0532的頻率響應與ADXL1002數據手冊給出的頻率響應的比較

振動到比特——數據轉換的完整性

現在，我們知道可以使用MEMS傳感器來代替IEPE壓電傳感器。也知道如何將它們輕松地安裝到資產上，同時保持數據表給出的性能。對于CbM開發平臺，重要的一點是它能夠收集高質量的轉換數據（無論是基于MEMS還是基于壓電式傳感器），然后將數據輸送至正確的環境中。接下來，我們看看如何獲取IEPE傳感器數據并保持最高的數據保真度，以開發最好的CbM算法或機器學習算法。我們的另一款CbM參考設計CN0540可以幫助實現上述目標。

適用于IEPE傳感器的高保真24位數據采集系統(CN0540)

圖6顯示了一款經過實驗室測試和驗證的IEPE DAQ信號鏈。這款參考設計提供了兼容MEMS和壓電式加速度計的優化模擬信號鏈。ADI不僅關注基于MEMS加速度計的解決方案。請注意，壓電式加速度計提供出色的性能，是廣泛使用的振動傳感器；所以，壓電式加速度計是適用于精密信號鏈產品的重要傳感器。

圖6所示的電路是適用于IEPE傳感器的傳感器到比特（數據采集）信號鏈，由電流源、輸入保護、電平轉換和衰減級、三階抗混疊濾波器、模數轉換器(ADC)驅動器和全差分∑-Δ ADC組成。CbM系統設計人員在使用壓電式加速度計時，需要使用高性能模擬信號鏈來實現振動數據保真。設計人員只需將IEPE傳感器或CN0532 IEPE傳感器直接連接到CN0540 DAQ參考設計，就可以評估信號鏈的性能。ADI對此設計進行了廣泛測試，提供開源設計文件（原理圖、布局文件、材料清單等），以輕松將其集成到終端解決方案中。

CN0540 IEPE數據采集板是一種經過測試和驗證的模擬信號鏈，專用于獲取IEPE傳感器振動數據，具有優于100 dB的信噪比(SNR)。市場上大多數與壓電傳感器連接的解決方案都采用交流耦合，不具備直流和亞赫茲測量能力。CN0540適用于直流耦合應用場景，在這些場景中，必須保留信號的直流分量，或者必須確保系統響應低至1 Hz或更低的頻率。

采用2個MEMS傳感器和3個壓電傳感器對高精度數據采集參考設計進行測試，如表2所示。從表中可以看出，每個傳感器的g范圍、噪聲密度和帶寬都有很大差別，價格也是如此。值得注意的是，壓電傳感器仍具有最佳的噪聲性能和振動帶寬。

對于CN0540，系統帶寬設置為54 kHz，信號鏈噪聲性能是針對在該帶寬范圍內能夠達到>100 dB動態范圍的傳感器，例如，Piezotronics PCB 621B40型加速度計可以在30 kHz時達到105 dB。CN0540旨在提供超越當前振動傳感器性能的帶寬和精度，確保它不會成為收集高性能振動數據時的阻礙。在同一系統上比較MEMS和壓電式傳感器并確定基準是非常容易的。無論與MEMS傳感器、壓電傳感器還是與兩者一起工作，CN0540都能為數據采集和處理提供最佳信號鏈解決方案，所以必然會設計為嵌入式解決方案。

當我們說MEMS傳感器能以更低的成本提供相當的性能時，ADXL1002的SNR為83 dB，但與壓電傳感器相比，其成本低10倍以上。MEMS傳感器現在可替代除最高性能的壓電傳感器以外的所有傳感器，且成本低廉。

圖6.CN0540：適用于IEPE傳感器，可進行高性能、寬帶寬、精密數據采集

表2.MEMS和壓電傳感器及其相應的噪聲密度測量值

嵌入式網關

在DAQ信號鏈獲得高保真振動數據之后，必須處理這些數據，并實時查看和/或將數據發送至機器學習或云環境，這是嵌入式網關的工作。

在本地實時處理振動數據

Intel^® (DE10-Nano)和Xilinx^® (Cora Z7-07S)支持兩種嵌入式平臺，其中包括對所有相關HDL、設備驅動器、軟件包和應用的支持。每個平臺都運行嵌入式ADI Kuiper Linux^®，讓您能夠實時顯示時域和頻域數據，通過以太網訪問實時捕捉的數據，連接熱門的數據分析工具（例如MATLAB或Python），甚至連接各種云計算實例（例如AWS和Azure）。嵌入式網關可以通過以太網向您選定的算法開發工具傳輸6.15 Mbps（256 kSPS × 24位）。嵌入式網關的一些關鍵特性包括：

21. Intel Terasic DE10-Nano
    • 雙核Arm^® Cortex^®-A9 MP Core處理器，搭載采用雙精度浮點單元(FPU)的800 MHz neon™框架媒體處理引擎
    • 1千兆以太網PHY，采用RJ45連接器
21. Digilent Cora Z7-07S (Xilinx)
    • 667 MHz Cortex-A9處理器，緊密集成Xilinx FPGA
    • 512 MB DDR3存儲器
    • USB和以太網連接

IIO示波器（如圖7所示）是一款與ADI Kuiper Linux一起安裝的免費開源應用，可以幫助您快速顯示時域和頻域數據。它基于Linux IIO框架進行構建，直接與ADI的Linux設備驅動器連接，可以在一個工具中完成設備配置、設備數據讀取和可視化顯示。

圖7.IIO示波器顯示5 kHz純音的FFT

ADI Kuiper Linux鏡像也支持行業標準工具，例如MATLAB和Python。通過使用可以配合IIO框架工作的連接層，開發出IIO綁定用于將數據流直接傳輸至這些典型的數據分析工具。設計人員可以使用這些強大工具，結合IIO集成框架，用于顯示和分析數據、開發算法，以及執行硬件環路測試和其他數據處理技術。提供完整示例，展示如何將高質量的振動數據傳輸至MATLAB或Python工具。

使用CN0549進行預測性維護開發

為PdM應用開發機器學習(ML)算法一般包含5大步驟，如圖8所示。在進行預測性維護時，通常使用回歸模型，而不是分類模型來預測即將發生的故障。向預測性模型輸入的訓練數據越多，其性能表現越出色。如果只輸入10分鐘的振動數據，可能無法檢測到所有操作特性，但是如果輸入10小時的數據，則檢測幾率大大增加，如果收集10天的數據，則模型的性能將更強。

圖8.開發PdM應用的步驟

圖9.CN0549示例用例

CN0549在一個易于使用的系統中提供數據收集步驟，在該系統中，我們可以將高性能振動數據流傳輸至所選的機器學習環境。

MEMS IEPE傳感器隨附機械安裝塊，可以將MEMS傳感器無縫安裝到資產或振動臺上。注意，IEPE壓電傳感器也可與本系統配合使用，輕松安裝到資產、振動臺等裝置中。在將數據流傳輸至數據分析工具之前，應先驗證傳感器安裝，確保不會產生任何干擾諧振。可以使用IIO示波器輕松且實時完成這種檢查。系統準備就緒后，可以定義一個用例，如圖9所示，例如，在70%的負載下正常運行的電機。之后，可以將高質量的振動數據流傳輸至基于MATLAB或Python的數據分析工具，例如TensorFlow或PyTorch（以及許多其他工具）。

通過分析，可以確認能夠定義該資產的健康狀況的特征和特性。建立可以定義正常運行狀況的模型后，即可檢測或仿真故障。可以重復使用第4步來確定能夠定義故障的關鍵特征，由此生成模型。將故障數據與正常運行電機的數據進行比較，可得到預測模型。

以上簡要概述了CbM開發平臺支持的機器學習流程。需要注意的是，該平臺可以確保將最高質量的振動數據傳輸至機器學習環境。

本文第2部分將詳細介紹軟件堆棧、數據流和開發策略，并從數據專家或機器學習算法開發人員的角度介紹使用Python和MATLAB的示例。此外，還將概述軟件集成，以及本地和基于云的開發選項。