虹科产线实时数采检测方案——高速采集助力智能化升级

news2024/7/6 18:14:13

01

产线数采检测相关技术背景

1.1

典型场景

对于产线数采检测,让我们从典型的工厂场景开始介绍。

每个工位都有上位机监控下方的PLC控制器。指令、执行单元和作用对象的状态通过内置传感器进行采集和测量,反馈给PLC实现闭环控制。

工业4.0和智能制造升级关注设备联网和数据上云,但数据上云只是手段,依赖已有数据。如果原始数据不准确或不存在,上云无法解决工艺细节问题。

图片

▲ 图1: 产线数采检测的典型场景

因此,我们需要重视原始数据,寻求升级改进的可能性。为了获取更精确的数据,一项重要方法是增加高速高精度的数采检测系统。可取的策略是:增加新的数据采集方式。

针对此场景,我们将直接引入一套高速高精度的数采检测系统。该系统的采样率从接近M级别到G级别不等,根据实际工艺频率确定。该系统包含数采和检测两个部分,通过ADC进行数据采集和运算判断,结果可本地存储或上传至云端。上位机可根据结果调整生产计划和参数。

1.2

适用工艺&应用行业

接下来我们将介绍数采检测系统在高速脉冲工艺中的应用。

图片

▲ 图2: 产线数采检测的适用工艺

在高速工艺中,如电焊、水刀切割、冲击波清洗等,实际工作频率远高于PLC的循环周期。因此,在控制高速过程时,PLC需借助高速模块实现脉冲控制,而闭环反馈依靠低速的平均统计信息。我们对高速脉冲工艺进行了简单分类:毫秒级脉冲(如电焊、水刀切割、冲击波清洗)和纳秒至微秒级脉冲(如激光切割、电火花加工)

同时,产线数采检测具有广泛的行业应用基础,它能够在汽车制造、电子制造、金属加工、塑料加工、医疗器械制造、机械制造中发挥重要的作用。

1.3

数采检测系统的作用

数采检测系统主要在以下四方面发挥作用。

一、诊断和监控,确保稳定性。作为外部标准参考,校验内部闭环控制的质量,评估控制程序稳定性以及设备实际老化和故障状况。

二、异常检测与分析,深入故障成因。将详细工况和缺陷品的出现结合起来,通过和正常工况进行对比,找到造成故障的异常参数

三、质量控制,及早发现异常。通过前期积累的经验,快速判断异常产品的出现。及时调整生产计划,并且终止不良品的继续加工。

四、反馈控制,提升良品率。预警异常趋势,实时反馈至控制端进行调参,或对刚刚出现的不良现象进行及时补救,降本增效。

02  虹科解决方案

2.1

硬件设计

首先,让我们来看看硬件方面。

作为实时数采检测方案,我们采用板卡形式的数采模块。该板卡使用PCIe接口,可以同时插入多张卡进行采集。单张采集卡拥有8个通道,最高可实现80M采样率,16位分辨率。如果我们将对通道密度的要求降低,单张卡只使用4个通道,那么在16位分辨率下,可以实现250M采样率;14位可以实现400M;8位可以实现1.25G。在量程方面,可通过编程调节范围从正负200mV到10V

图片

▲ 图3: 虹科方案的硬件设计

我们的方案需要使用插卡机箱。由于采用PCIe接口,我们选择通用的x86工控机,无需购买专用机箱和控制器。只要工控机的PCIe插槽足够,可以插入多张卡。在性能选择方面,我们可以利用Intel的i7、i9以及AMD的线程撕裂者等CPU。内存方面,通过使用4条内存槽的主板,最高可达64G。硬盘容量限制较低,可以多放几个固态硬盘。我们基于普通Windows平台,无需额外补丁,与其他软件的兼容性更好。用户可以方便地在该平台上运行其他程序或编写自己的程序,对采集数据和判断结果进行额外处理和转发。

图片

▲ 图4: 虹科方案的硬件设计

更值得关注的是,我们的硬件方案提供个性化的定制服务。以下是配件方面可选的方案。

图片

▲ 图5: 配件方面的定制化服务

同时,传感器也可以根据客户需求进行协商选型。

图片

▲ 图6: 传感器方面的定制化服务

2.2

软件设计

在软件方面,我们有读取、运算、数据展示以及存储转发四大突出功能

读取方面,无需设置触发,利用高速的PCIe总线,连续地从数采卡中获取实时读数,吞吐量USB3.0的两倍以上。

运算方面,无需设置触发,利用高速的PCIe总线,连续地从数采卡中获取实时读数,吞吐量USB3.0的两倍以上。

数据展示方面,无需设置触发,利用高速的PCIe总线,连续地从数采卡中获取实时读数,吞吐量USB3.0的两倍以上。

存储与转发方面,无需设置触发,利用高速的PCIe总线,连续地从数采卡中获取实时读数,吞吐量USB3.0的两倍以上。

下图是对软件设计细节中运算速度、计算算法、存储转发的介绍。

图片

▲ 图7: 虹科方案的设计细节

综上,相比于传统数采设备,我们的数采系统具备更多的优势。以示波器为例,我们的产品优势在于

图片

大容量存储 | 高性能通用CPU|易于扩展通道

实时处理数据|可编写额外的处理程序 

此外,相比于USB外接的虚拟示波器我们的产品优势在于

图片

更快的传输速度降低延迟 | 连续采集无死区

实现更复杂的触发方式|一体集成减少拉线

03 产品应用案例

基于上述的介绍,我们将在这部分为大家提供产品的实际应用案例,分别是空气压缩机、三相电机、超声应用三个案例。

3.1空气压缩机

针对空气压缩机的案例,我们常见于产线上。

图片

▲ 图8: 空气压缩机实验场景原理图

为了实现气动控制,我们需要一个空气压缩机作为气源。空气压缩机的控制器基于平均值进行负反馈控制,但对于小波动无法准确控制。因此,我们可以添加传感器进行诊断和检测。在实验场景中,通过数采卡、供电、变送器和传感器构成了数采检测系统的硬件部分。通过压力和加速度传感器的频域分析,我们可以推断压缩机的转速和工作状况。使用麦克风进行声音波形分析,可以确定阀门状态变化的时间点。综合多种传感器的信息,进行相互验证和共同锁定问题的思路是可取的。

图片

▲ 图9: 信号采集结果

图片

▲ 图10: 数据分析结果

在实际应用中,根据实际情况选择合适的传感器,利用数采卡上的多余通道对相邻工位的情况进行测量,可以降低升级成本。

3.2 三相电机

现在我们来看一下三相电机的例子。

工业中,大部分小型电机采用PWM驱动。PWM信号是由专门的芯片产生,主控制器通过编码器反馈位置信息并调节控制参数。然而,控制器并不了解电机的详细情况,只需确保运行位置无误即可。若想了解电机细节,可以采集三相PWM电压和电流。其中,电流传感器用于电流采集

图片

▲ 图11: PWM驱动参与的工业流程

通过分析结果,我们可以进行一些判断,如检查电压相位分布是否正确,判断控制器老化和效率降低,以便维护或更换。通过频率分析,我们还可以推测电机转速和传动系统是否存在打滑问题。异常增大的电流信号可能表示电机在某位置遇到较大阻力,指导轨道维修和故障排查。若生产中出现这种情况,可能意味着产品尺寸超出限制或存在潜在缺陷。

图片

▲ 图12: 采集效果

3.3 超声应用

工业和其他行业中广泛使用超声技术。超声测量通常采用高带宽的仪器级麦克风和高速数采卡。根据奈奎斯特采样定理,数采卡的采样率至少需要是被测超声频率的两倍。为了准确测量,我们通常选择采样率是被测频率的5到10倍甚至更高的数采卡。

图片

▲ 表1: 不同应用的频率范围、单工/双工、动态范围信息比较

通过FFT分析,我们可以观察到原始信号右侧的浮动是由低频杂散噪声引起的。通过电脑的强大计算能力,我们可以进行低延迟的软滤波处理,去除这些杂散噪声。另外,我们还可以根据触发点将多次超声脉冲信号对齐并取平均,以比较每个信号与平均信号之间的差异,从而检测异常脉冲。

图片

▲ 图13: 测试结果

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/971059.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

快速学会git版本管理——上传gitee仓库

首先在gitee右上角有一个新建仓库 创建之后打开自己想要上传的文件 右键打开 Git Bash Here 接下来会弹出git的窗口 首先先初始化仓库 用git命令 git init 然后用git add . 上传所有文件上传到暂存区(上一篇文章说过add是单个文件,add . 是所有文件) 没有显示错误 …

内存泄漏分析

一、什么是内存泄漏? 内存泄漏是指在程序运行过程中,分配给程序的内存空间在不需要时没有被正确释放或回收的情况。 二、Java层内存泄漏。 Android应用程序中Java层常见的内存泄漏情况: Context引用泄漏:Android中的Context是…

【Flutter】Flutter 使用 flutter_rating_bar 实现评分条指示器

【Flutter】Flutter 使用 flutter_rating_bar 实现评分条指示器 文章目录 一、前言二、简介三、安装和基本使用四、实际业务中的用法五、完整示例六、总结 一、前言 大家好,我是小雨青年,很高兴与大家分享 Flutter 中的一个非常实用的组件:f…

马斯克谈 Facebook 不开源算法

导读虽然马斯克与扎克伯格的 “八角笼中” 之约没有达成,但很显然,马斯克并不打算就此罢休。既然没能在线下大战一场,那自然不会错过在线上 “出招” 的机会。 他转发了一则推文,并说道:“在地球上,Facebo…

STM32调试时卡在B 0x20000000

分析原因,发现sw下,硬件接reset管脚,所以需要设置debug reset 选择 hw reset

Excel中将文本格式的数值转换为数字

在使用excel时,有时需要对数字列进行各种计算,比如求平均值,我们都知道应该使用AVERAGE()函数,但是很多时候结果却“不尽如人意”。 1 问题: 使用AVERAGE函数: 结果: 可以看到单元格左上角有个…

2023年9月重庆/上海/深圳NPDP产品经理国际认证火热招生

产品经理国际资格认证NPDP是新产品开发方面的认证,集理论、方法与实践为一体的全方位的知识体系,为公司组织层级进行规划、决策、执行提供良好的方法体系支撑。 【认证机构】 产品开发与管理协会(PDMA)成立于1979年,是…

锐捷BGP【基础二】--尚文网络敏姐

BGP协议 这节主要学习IBGP和IGP之间的区别与联系, BGP 路由信息交互,了解BGP的安全性,BGP协议的基本配置,如何建立IBGP、EBGP对等体,引入与传递路由。 目录 BGP协议 BGP基础概念 IBGP和IGP的不同 BGP 路由信息交…

优化 | 带有未知评估成本和预算约束的多步贝叶斯优化

论文解读者:胡明杰 编者按: 贝叶斯优化是一种处理黑盒函数优化的常用方法. 大多数的贝叶斯优化方法假设评估成本是同质的. 然而, 在实际问题中,评估成本往往是异质且未知的. 此外,现有的考虑异质评估成本的方法并不能很好地处理…

Ansible之变量

一)Ansible变量介绍 我们在PlayBook⼀节中,将PlayBook类⽐成了Linux中的shell。 那么它作为⼀⻔Ansible特殊的语⾔,肯定要涉及到变量定义、控 制结构的使⽤等特性。 在这⼀节中主要讨论变量的定义和使⽤ 二)变量命名规则 变量的…

软件设计师(二)程序设计语言基础知识

程序设计语言是为了书写计算机程序而人为设计的符号语言,用于对计算过程进行描述、组织和推导。 一、程序设计语言概述 1、基本概念 (1)低级语言和高级语言 计算机硬件只能识别由 0、1 组成的机器指令序列,即机器指令程序&…

ssm+vue开放式教学评价管理系统源码和论文

ssmvue开放式教学评价管理系统源码和论文121 开发工具:idea 数据库mysql5.7 数据库链接工具:navcat,小海豚等 技术:ssm 摘 要 随着科学技术的飞速发展,各行各业都在努力与现代先进技术接轨,通过科技手段提高自身…

如何炒伦敦金

由于疫情的影响,目前世界上多个国家降低存款利率,以推动经济发展,由此也引发了比较严重的通胀问题,尤其是在俄乌冲突之后,国际油价不断上涨,加大了这种通货膨胀的影响。进行伦敦金投资是一种规避通胀的好方…

一文速学-让神经网络不再神秘,一天速学神经网络基础(六)-基于数值微分的反向传播

前言 思索了很久到底要不要出深度学习内容,毕竟在数学建模专栏里边的机器学习内容还有一大半算法没有更新,很多坑都没有填满,而且现在深度学习的文章和学习课程都十分的多,我考虑了很久决定还是得出神经网络系列文章,…

电脑耳机没声音怎么解决?教你5个方法!

“刚在电脑上插上耳机准备听歌,但是为什么一直都没有声音呢?这是怎么回事呢?自己捣鼓了很久还是没有找到解决方法,有没有大佬可以指点我一下呀?” 有时候我们可能会在电脑上听音乐、看视频等。如果是在公共场合&#x…

【狂神】Spring5笔记(四)之Mybatis和事物的整合

一、整合Mybatis方式一 目录结构: 大致内容结构: 主要难点就在于applicationContext.xml中相关配置的理解 代码图片如下 这个类就专门用于对象的创建就可以了 测试类: 实现类: SqlSessionTemplate 二、整合Mybatis方式二 相关代码…

作为一家游戏开发公司,有哪些经验可以分享?

在竞争激烈的游戏开发行业中,成功的游戏开发公司需要不断学习、创新和积累经验。作为一家经验丰富的游戏开发公司,我们愿意分享一些我们认为对于取得成功至关重要的经验和教训。这些经验涵盖了游戏开发的各个方面,从创意构思到发布和营销。希…

图片懒加载指令

场景和指令用法: 电商网站的首页通常会很长,用户不一定能访问到页面靠下面的图片,这类图片通过懒加载优化手段可以做到只有进入视口区域才发送图片请求 在vue官网中查看的 将一个自定义指令全局注册到应用层级(常见的做法&#xf…

睿趣科技:抖音小店多久可以做起来

随着社交媒体的迅猛发展,抖音成为了全球最受欢迎的短视频平台之一,吸引了数以亿计的用户。在抖音上,人们不仅可以分享自己的生活、才艺和创意,还可以创业经营抖音小店。但是,很多人都想知道,一个抖音小店到…

深度学习技巧应用27-最全的深度学习学习计划的设定与应用,看完更加自信

大家好,我是微学AI,今天给大家介绍一下深度学习技巧应用27-最全的深度学习学习计划的设定与应用,看完更加自信。本文将带大家了解不同类型的深度学习模型,包括卷积神经网络(CNN)、循环神经网络(RNN)等,并学习调整模型超参数、优化算法等技巧。通过参与实际的深度学习项…