LabVIEW开发工业物联网状态监测

物理对象的网络，允许在它们之间传输数据。信息通常保存在集中式云数据库中。由于物联网，我们现在可以从远处进行监控和感知。由于网络和通信的增加，越来越多的流程可能会自动化。

调度、维护管理和质量改进等关键领域的决策正受到大数据技术平台和数据驱动应用程序的激增的影响。在工业领域，机械和系统一直在不断发展，变得更加复杂和集成。客户期望为其生产设备提供全方位的维护服务，以保证较长的正常运行时间并避免计划外停机。在这种情况下有效使用机器学习可以实现卓越的维护决策。大多数制造商和企业都拥有有关传感器、过程和环境的大量信息。通过将这些数据与故障本身的详细信息相结合，可以创建用于预测性维护的有用训练数据集。

物联网的规模正在向新的方向扩展预测性维护。几乎所有现代机器都包含传感器，它们提供的信息可用于评估操作效率和组件状况。现在有低成本、不断更新的有线和无线监控系统可供我们使用。使用机器学习来分析过去的数据，可以预测机器是否会在接下来的几周内出现故障或故障。自机器开始运行以来，传感器一直在记录数据。如果记录的数据在几周、几个月或几年后显示趋势变化，则将仔细检查该变化并与之前的数据进行比较。由于嵌入式计算的进步，来自机器的数据现在可以以闪电般的速度读取并发送到云端。

在当今的工业环境中，预防性维护比预测性维护更典型，在预测性维护中，技术人员将在一定时间后进行维修，无论设备是否需要它们。与预测性维护相比，这需要更多的时间和金钱。预测性维护使我们能够通过分析机器过去的性能来提前确定机器是否需要维修。

有很多预测性维护实践。这取决于机器对机器。根据要求，用户可以选择合适的传感器。在最常见的工业环境中，某些机器可以使用以下传感器之一来检测何时发生故障：

• 振动和温度传感器

• 电流监控传感器

• 热电偶温度传感器

大多数预测性维护程序要么以软件为中心，要么以硬件为中心，两者之间几乎没有关系或可见性。在当前的程序中，“预测性维护”通常由技术人员手动将传感器数据输入软件并让程序决定执行。因此，他们对如何使用传感器数据没有发言权。每个新传感器都带有不同的云服务或仪表板，需要更多的时间和金钱进行培训。当前研究的主要贡献是减轻预测性健康监测中的这些错误可能的情况。我们的战略依赖于使用独立于云和软件的无线传感器。这些传感器不需要云服务即可运行。这些传感器可以通过电池电源将数据传输到网关或调制解调器。可以使用此网关和调制解调器将信息发送到预先存在的云服务。

由于制造和技术的最新进展，机器状态监测、生产率、可靠性和安全性都严重依赖于剩余使用寿命的估计。在理论和实践中，已经提出了几种用途。已经发布了多个解决广泛问题的深度学习模型组合。

本研究中采用的方法是一种实验设置，用于在无线物联网传感器的帮助下证明预测性维护算法的有效性，联网以集中方式中继数据。该实验设置将包括一个框架，用于对状态监测系统进行建模，以便通过数字传感器做出有关工业机器预测性维护的决策。为简单起见，将使用通过无线温度、电流和振动传感器进行物理测量。使用这些传感器的原因是它们提供了有关工业机器运行状况的最有代表性的数据。在机器走向故障条件的大多数情况下，这些参数中至少有一部分偏离了正常范围。因此，预测性维护算法将需要对从传感器获得的读数进行数据分析，并应用机器学习算法为停止机器的决策提供基础，并出于维护目的隔离它们。

所提出的预测性维护框架的实施将包括两个步骤：首先，算法的理论开发，其次，LabVIEW中的仿真设置，以证明框架在样品工业机器上的有效性。

通过物联网传感器设备对工业设备进行预测性维护的框架包括获取数据的步骤，处理，故障存在的数据分析，和决策.这些步骤如下所述：

1）数据收集

数据收集阶段需要测量和传输来自连接在网络方案中的无线传感器的实时数据，以制定物联网方法。传感器的选择可能因机器而异。为了进行实际的仿真设置，本研究使用了温度、振动和电流的基本传感器。数据收集将包括一定的采样率、记录存储空间、预处理以过滤噪声以及检查验证。

2）数据处理

数据处理将涉及过滤数据库中记录的数据，以消除错误和非代表性值。此外，该算法将分析数据中的峰值，以确定传感器可能出现故障。数据库中记录的数据将被转换为合适的单位，并转发到数据分析阶段进行进一步处理。

3）数据分析

此阶段是整个预测性维护和故障分析算法和框架的核心。它将包括一种机器学习方法来感知机器的故障模式。基于数据分析，例如将数据与历史趋势进行比较，传感器与理想数据的模式匹配以及其他类似方法，机器学习方法将感知机器中存在一些故障。一个简单的例子是将参数的集成变化率与某个阈值进行比较，以决定是否应隔离并停止机器进行维护，以预测故障模式。

数据分析将包括对与传感器相关的数据分析，如振动、电流和温度。对于故障的详细调查，感官测量的模式很重要。该研究将包括以下策略，用于从嵌入机器中的无线传感器中获得的趋势。

振动分析是预测机器与底板接口松动、旋转部件不平衡、齿轮缺陷、脚软和齿轮联轴器未对准的最强工具之一。正如预期的那样，磨损和最终故障是电机部件高速连续运行的必然结果。每当一个或多个组件以某种方式失常时，都会由于故障而增加振动，无论是因为它们松动、偏心、损坏还是响应外力。某些振动频率与缺陷有关。故障严重性的指标包括不同频率下的振动幅度。振动分析的目的是在系统的振动响应与机器、零件或机械结构中某些缺陷的发生之间建立联系。

监测轴承温度对于评估旋转机械轴承的健康状况非常重要。轴承温度的时间趋势将有助于判断润滑状态、轴承与旋转部件间隙的减小甚至轴承损坏。例如，如果某个轴承的温度升高到极限，然后变得稳定或随后下降，则问题可能出在轴承的润滑上。这将需要对润滑进行预测性维护。同样，无限制的轴承温度升高表明由于冷却、润滑或任何其他原因而损坏轴承。

对时域电流读数的分析将表明甚至机械故障的电气故障。该算法不仅可以测量电流，还可以测量指示短路尖峰的变化率，指示机器中相位不平衡的中性相电流测量以及由于过载或电压降低条件而导致的电流突然增加。在所有这些情况下，电流分析将表明故障的性质。

4）预测性维护的决策

这是框架的最后阶段，为是否隔离设备以进行维护的决策提供了基础。故障诊断的基础成为预测性维护的基础，如前一阶段所分析的那样。机器学习算法将设置某些标准来声明机器中存在的故障。

例如，使用健康的振动传感器随机观察到振动尖峰的机器将表明设备出现了某些故障。机器的不平衡可能是由于向旋转部件或轴承增加了一些外来质量。这将导致接近机器固有频率的谐波，指示故障类型。同样，机器与基础的松动会导致振动频率分析显示除自然谐波以外的不同谐波。

机器学习算法的作用是通过判断不同领域的感官测量趋势并判断误差来辅助决策。理想情况下，算法应设置函数来声明设备正在向恶化条件移动。

实验设置：LabVIEW仿真

由于LabVIEW是完全数字化的，因此它提供了比传统实验室设备更多的定制选项。LabVIEW允许用户从零开始创建虚拟仪器，同时为编程人员提供轻松的访问来监测和操作数据以及控制输入。

仿真设置包括一台连接温度、电流和振动传感器的机器。为了简单起见，这些传感器的数据是预先编程的，包括随机数据而不是实际硬件。包含硬件可能是监控真实工业设备的选择研究前景。对于这项研究，从传感器获得的数据将不是真实的，并且基于模拟。感官测量的规格如下：

需要以“g”为单位进行振动测量。振动单位应为“g”。理想情况下，振动应小于某个阈值，以指示机器健康。如果振动模式显示接近固有频率的频域中的谐波增加，则可能存在松动或不平衡问题。同样，如果频域中的机器振动数据显示多个频率和高尖峰，则机器将指示齿轮缺陷，表明机器正在改变速度。

温度变化应该不是很大。如果温度超过65摄氏度，警报将发出警报。该温度表示某些设备的故障，例如冷却水流、机械部件碰撞等。

当前读数将以安培“A”为单位。电流报警的阈值为50A。电流将指示机器在发生某些故障的情况下是正常负载还是异常负载。同样，尖峰形式的电流变化率表明短路或突然过载。对时域中当前模式的详细调查将指示故障类型，从而指示预测性维护的要求。