用于状态监测的高保真振动采集

用于状态监测的高保真振动采集

本文解释了 MEMS 技术的最新进展如何将加速度传感器推向最前沿，在基于状态的监测应用中与压电传感器相媲美。我们还将讨论如何使用使这一切成为可能的新开发平台。

在第 2 部分中，我们将重点介绍支持该开发平台的软件框架，以及如何将其与流行的数据分析工具集成以开发机器学习示例，以及最终如何将其部署在各种资产上。

基于状态的监控 （CbM） 和预测性维护 （PdM） 简介

基于状态的监控 （CbM） 涉及使用传感器监控机器或资产以测量当前的健康状态。预测性维护 （PdM） 涉及 CbM、机器学习和分析等技术的组合，以预测即将到来的资产维护周期或故障。随着全球机器健康监测的显着增长，了解和理解关键趋势势在必行。越来越多的 CbM 公司正在转向 PdM 以区分他们的产品。维护和设施经理现在在 CbM 方面有了新的选择，例如无线安装和低成本、高性能的安装。虽然大多数 CbM 系统基础设施保持不变，

状态监测——工程挑战和设计决策

在典型的 CbM 信号链设计中，需要考虑许多不同的工程学科和需要考虑的技术，这些学科在不断改进和复杂性增加。现在存在各种具有特定领域专业知识的客户类型，例如算法开发（仅软件）或硬件设计（仅硬件），但并非总是两者兼而有之。

希望专注于算法开发的开发人员需要信息数据湖来准确预测资产故障和停机时间。他们不想设计硬件或排除数据完整性问题；他们只想使用众所周知的高保真数据。同样，希望提高系统可靠性或降低成本的硬件工程师需要一种能够轻松连接到现有基础设施的解决方案，以对现有解决方案进行基准测试。他们需要以易于使用和导出的可读格式访问数据，因此他们不会浪费时间评估性能。

许多系统级挑战可以通过平台方法解决——从传感器一直到算法开发——支持所有客户类型。

什么是 CN0549，它如何帮助延长设备使用寿命？

CN0549 煤层气开发平台

CN0549 _基于状态的监控平台是一种高性能、现成的硬件和软件解决方案，可以将资产中的振动数据高保真流式传输到算法/机器学习开发环境中。该平台使硬件专家受益，因为它是经过测试和验证的系统解决方案，可提供高精度数据采集、经过验证的资产机械耦合以及高性能宽带振动传感器。提供所有硬件设计文件，可轻松集成到您设计的产品中。CN0549 对软件专家也很有吸引力，因为它抽象了状态监测信号链硬件的挑战，并允许软件团队和数据科学家直接投入开发机器学习算法。主要特点和优势包括：

易于安装到资产，同时保持机械耦合信号完整性

具有 IEPE 数据输出格式的宽带宽 MEMS 加速度计传感器

IEPE，高保真数据采集 （DAQ） 解决方案，模拟输入带宽从 DC 到 54 kHz

嵌入式网关捕获并存储用于本地或网络处理的原始数据

使用 ADI 的 IIO 示波器应用程序实时可视化频域数据

将传感器数据直接传输到 Python 和 MATLAB® 等流行的数据分析工具中

CbM 开发平台由图 1 所示的四个不同元素组成，在查看组合的整体解决方案之前，我们将分别讨论这些元素。

图 1. CbM 开发平台的元素。

高精度、高保真数据采集和处理

更宽的带宽和更低的噪声传感器能够更早地检测到故障，例如轴承问题、气蚀和齿轮啮合。任何数据采集电子设备都必须保持测得的振动数据的保真度；否则可能会丢失关键故障信息。保持振动数据的保真度可以更快地看到趋势，并且我们可以高度自信地建议预防性维护，从而减少机械元件的不必要磨损，并不可避免地延长资产的使用寿命。

低临界资产状态监测的成本效益方法

压电加速度计是性能要求高于成本的最关键资产上使用的最高性能振动传感器。低临界资产的 CbM 传统上一直被压电装置的高成本所禁止。MEMS 振动传感器现在在噪声、带宽和 g 范围方面可与压电相媲美，使维护和设施管理人员能够更深入地了解以前由运行至故障或反应性维护计划所涵盖的较低关键性资产。这主要是由于 MEMS 的高性能和低成本。现在可以以具有成本效益的方式持续监控中低关键性资产。可以轻松识别和修复资产不必要的磨损，通过先进的振动传感帮助延长资产的使用寿命。

监控资产——感知问题

当涉及到 CbM 和 PdM 时，有许多不同类型的传感模式。电流传感、磁传感、流量监测和其他几个应用构成了大部分应用。振动传感是 CbM 中最常用的方式，压电加速度计是最常用的振动传感器。在本节中，我们将回顾振动传感器领域如何因技术进步而扩展，以及这将如何影响应用决策。

MEMS 与压电

压电加速度计是非常高性能的传感器，但所有这些性能都需要许多设计权衡。例如，压电加速度计通常仅限于在有线安装中使用，因为它们会消耗过多的功率，而且体积可能很大（尤其是三轴传感器），而且价格昂贵。当所有这些因素结合在一起时，为您的整个工厂配备压电传感器是不切实际的，这就是为什么它们主要仅用于关键资产的原因。

直到最近，MEMS 加速度计还没有足够宽的带宽，它们的噪声太高，而且 g 范围受限于监测不太重要的资产。MEMS 技术的最新进展克服了这些限制，实现了对低端甚至高关键资产的 MEMS 振动监测。表 1 显示了用于 CbM 应用的压电和 MEMS 传感器所需的最重要特性。MEMS 加速度计体积小，能够使用电池运行多年，成本低且性能与压电传感器相当，正迅速成为许多 CbM 应用的首选传感器。

CN0549 CbM 开发平台与 MEMS 和 IEPE 压电加速度计兼容，为传感器类型之间的基准比较提供了途径。

表 1. MEMS 与压电加速度计

在现有 IEPE 基础设施中使用 MEMS 加速度计

如表 1 所述，与压电传感器相比，MEMS 加速度计现在可以提供具有竞争力的规格和性能，但它们能否取代现有的压电传感器？为了让设计人员能够轻松评估压电加速度计并将其替换为 MEMS 加速度计，ADI 设计了一种与 IEPE 兼容的接口，IEPE 是 CbM 应用中事实上的标准压电传感器接口。

IEPE 传感器接口和机械安装 （CN0532）

如图 2 所示，CN0532是一个 IEPE 转换电路，它允许 MEMS 加速度计直接连接到 IEPE 基础设施，就像任何现有的 IEPE 传感器一样无缝。

图 2. CN0532 MEMS IEPE 转换电路。

通常，单轴 MEMS 传感器将具有三个输出线：电源、接地和加速输出。IEPE 基础设施只需要两个：一根线上的接地和另一根线上的电源/信号。电流被传送到传感器，当传感器测量振动时，在同一条线路上输出电压。

图 3. 显示 MEMS 传感器如何连接到现有 IEPE 基础设施（电源和数据）的简化示意图。

CN0532 PCB 的设计厚度为 90 密耳，以保持 MEMS 加速度计的数据表频率响应性能。可安装螺柱的立方体可立即进行开箱即用测试。安装立方体以及 PCB、焊膏等已被广泛表征，以确保全带宽机械传递函数，最大限度地提高传感器带宽内各种故障的可见性，从而通过能够延长资产寿命捕捉这些故障。这些解决方案使 CbM 设计人员可以非常轻松地将 MEMS 加速度计连接到他们的资产，并与现有的压电基础设施无缝连接。

对于任何高频振动测试，机械信号路径的完整性都非常重要。换句话说，从源头到传感器，振动信号必须没有衰减（由于阻尼）或放大（由于共振）。一个铝制安装块 （ EVAL-XLMOUNT1 ）、四个螺钉安装座和一个厚 PCB 保证了对相关频率范围的平坦机械响应。IEPE 参考设计使设计人员可以非常轻松地实现 MEMS 传感器来代替压电传感器。

图 5. EVAL-CN0532 的频率响应与 ADXL1002 数据表频率响应的比较。

振动到比特 - 数据转换完整性

我们现在知道可以使用 MEMS 传感器代替 IEPE 压电传感器。我们还看到了如何轻松地将它们安装到资产上，同时保持其数据表性能。CbM 开发平台的一个重要部分是能够将高质量的振动数据（无论是基于 MEMS 还是基于压电）收集到正确的环境中。接下来，我们将着眼于获取 IEPE 传感器数据并保持最高保真度的数据，以开发可能的最佳 CbM 算法或机器学习算法。这是由我们的另一个 CbM 参考设计CN0540 实现的。

用于 IEPE 传感器的高保真 24 位数据采集系统 （CN0540）

在图 6 中，我们看到了经过实验室测试和验证的 IEPE DAQ 信号链。该参考设计为 MEMS 和压电加速度计提供了最佳模拟信号链。ADI 不仅专注于基于 MEMS 加速度计的解决方案。重要的是要记住压电加速度计提供最高的性能并且是使用最广泛的振动传感器；因此，压电加速度计是用于精密信号链产品的聚焦传感器。

图 6 所示电路是 IEPE 传感器的传感器到比特（数据采集）信号链，包括电流源、输入保护、电平转换和衰减级、三阶抗混叠滤波器、模数转换器转换器 （ADC） 驱动器和一个全差分 ∑-Δ ADC。使用压电加速度计的 CbM 系统设计人员需要高性能模拟信号链来保持振动数据的保真度。设计人员只需将其 IEPE 传感器或 CN0532 IEPE 传感器直接连接到 CN0540 DAQ 参考设计，即可评估开箱即用的信号链性能。Analog Devices 对该设计进行了广泛测试，并提供了开源设计文件（原理图、布局文件、材料清单等），从而可以更轻松地设计到最终解决方案中。

CN0540 IEPE 数据采集板是经过测试和验证的模拟信号链，旨在采集 IEPE 传感器振动数据，信噪比 （SNR） 优于 100 dB。市场上与压电传感器接口的大多数解决方案都是交流耦合的，缺乏直流和亚赫兹测量能力。CN0540 适用于直流耦合应用场景，其中必须保留信号的直流分量或系统的响应必须保持在 1 Hz 或更低的频率。

精密数据采集参考设计使用两个 MEMS 传感器和三个压电传感器进行了测试，如表 2 所示。我们可以看到每个传感器的 g 范围、噪声密度和带宽都有很大的不同，价格也是如此。应该注意的是，压电传感器仍然具有最佳的噪声性能和振动带宽。

在 CN0540 的情况下，系统带宽设置为 54 kHz，信号链噪声性能针对的是可以在该带宽上实现 》100 dB 动态范围的传感器——例如，Piezotronics PCB 621B40 型加速度计，它可以达到 105 dB在 30 kHz。CN0540 被设计为具有超出当前振动传感器性能的额外带宽和精度能力，以确保它不会成为收集高性能振动数据的瓶颈。在同一系统上比较和基准测试 MEMS 与压电非常容易。无论是与 MEMS、压电或两者一起使用，CN0540 都为数据采集和处理提供了最佳的信号链解决方案，不可避免地可以设计成嵌入式解决方案。

当我们说 MEMS 以更低的成本提供可比性能时，我们可以看到ADXL1002的 SNR 为 83 dB，但与压电传感器相比，成本降低了 10 倍以上。MEMS 现在已经确立了自己作为除了最高性能压电传感器之外的所有成本的可行替代品。

图 6. CN0540：用于 IEPE 传感器的高性能、宽带宽、精密数据采集。

表 2. 具有相应噪声密度测量的 MEMS 和压电传感器

嵌入式网关

一旦 DAQ 信号链获取了高保真振动数据，就必须对其进行处理并实时查看和/或将其传输到机器学习或云环境——这是嵌入式网关的工作。

在本地实时处理振动数据

Intel® （DE10-Nano） 和 Xilinx® （Cora Z7-07S） 支持两个嵌入式平台，包括对所有相关 HDL、设备驱动程序、软件包和应用程序的支持。每个平台都运行嵌入式 ADI Kuiper Linux®，使您能够实时显示时域和频域数据，提供通过以太网访问实时捕获的数据，与流行的数据分析工具（如 MATLAB 或 Python）接口，甚至连接与 AWS 和 Azure 等各种云计算实例。嵌入式网关可以通过以太网将 6.15 Mbps（256 kSPS × 24 位）传输到您选择的算法开发工具。嵌入式网关的一些关键特性包括：

Intel Terasic DE10-Nano

双核 Arm® Cortex®-A9 MP Core 处理器，800 MHz neon™ 框架媒体处理引擎，具有双精度浮点单元 （FPU）

1 个带 RJ45 连接器的千兆以太网 PHY

Digilent Cora Z7-07S（赛灵思）

具有紧密集成 Xilinx FPGA 的 667 MHz Cortex-A9 处理器

512 MB DDR3 内存

USB 和以太网连接

IIO Oscilloscope（如图 7 所示）是一款免费的开源应用程序，随 ADI Kuiper Linux 一起安装，可帮助您快速可视化您的时域和频域数据。它建立在 Linux IIO 框架之上，直接与 Analog Devices Linux 设备驱动程序接口，允许在一个工具中进行设备配置、读取设备数据和视觉显示。

图 7. IIO 示波器显示 5 kHz 纯音的 FFT。

ADI Kuiper Linux Image 还支持行业标准工具，例如 MATLAB 和 Python。使用与 IIO 框架配合使用的接口层，IIO 绑定已被开发用于将数据直接流式传输到这些典型的数据分析工具中。设计人员可以结合 IIO 集成框架使用这些强大的工具显示和分析数据、开发算法以及执行硬件在环测试和其他数据 *** 作技术。提供了完整的示例，使您能够将高质量的振动数据流式传输到MATLAB或Python工具。

使用 CN0549 进行预测性维护开发

为 PdM 应用程序开发机器学习 （ML） 算法有五个典型步骤，如图 8 所示。对于预测性维护，回归模型通常用于预测分类模型即将发生的故障。当他们有更多的训练数据输入到预测模型中时，他们的表现会更好。10 分钟的振动数据可能无法检测到所有的 *** 作特性，而 10 小时则更有可能做到这一点——收集 10 天的数据将保证模型更加强大。

图 9. CN0549 示例用例。

CN0549 在一个易于使用的系统中提供数据收集步骤，我们可以将高性能振动数据流式传输到选择的 ML 环境。

MEMS IEPE 传感器配有机械安装块，允许将 MEMS 传感器无缝安装到资产或振动筛上。请记住，IEPE 压电传感器也可以与该系统一起使用，并轻松连接到资产、振动器等。在将数据流式传输到数据分析工具之前，应验证传感器附件以确保没有不需要的共振。这可以很容易地使用 IIO 示波器进行实时检查。一旦系统准备就绪，就可以定义一个用例，如图 9 所示——例如，电机在 70% 负载能力下的健康运行。然后可以将高质量的振动数据流式传输到 MATLAB 或基于 Python 的数据分析工具，例如 TensorFlow 或 PyTorch（以及许多其他工具）。

可以进行分析以识别定义该资产健康状况的关键签名和特征。一旦有了定义健康运行的模型，就可以播种或模拟故障。重复步骤 4 以识别定义故障的关键签名，并导出模型。故障数据可以与健康的电机数据进行比较，并且可以开发预测模型。

这是 CbM 开发平台支持的 ML 过程的简化概述。要记住的关键是该平台可确保将最高质量的振动数据传递到 ML 环境。

本文的第 2 部分将详细介绍软件堆栈、数据流和开发策略，并从数据科学家或机器学习算法开发人员的角度介绍使用 Python 和 MATLAB 的一些示例。将讨论软件集成的概述以及本地和基于云的开发选项。

审核编辑：郭婷