圖2. ADcmXL3021模塊，非常適合用于實施預測性維護。

信號處理模塊不僅包括一個具有32個系數的可配置FIR濾波器，還包括一個每軸2048個節點的FFT函數，用于對振動進行頻譜分析。再將用這種方法計算得出的頻譜的每個頻率級別與可配置的報警閾值（每軸6個）進行對比。如果頻譜組件過于密集，就會生成警報。本產品可以通過SPI端口與主機處理器進行交互，提供訪問內部寄存器以及一組用戶可配置的函數的權限，包括先進的數學函數，例如計算平均值、標準偏差、最大值、波峰因素和峰度（四階動力矩，支持測量振動的銳度）。

SmartMesh：適用于IIoT的網絡，非常適合用于實施預測性維護

無線網絡特別適合用于從振動傳感器收集維護數據。它的速度不需要多快，但必須足夠健壯，能夠在通常非常嘈雜、且采用金屬結構、傳導性很差的工業環境中運行。它還必須能夠從大量傳感器收集數據，而這些傳感器不一定非常靠近數據記錄器。為了滿足這一需求，ADI公司推出 SmartMesh® IP 工業Mesh網絡，該網絡功耗低，且具有相當高的抗擾性。最后一個標準對于維護模塊非常重要，為其供電的能量采集器或鋰電池必須運行 5 到 10年，中間不能進行更換。SmartMesh IP網絡基于6LoWPAN標準 (IEEE 802.15.4e)，非常適合IIoT，且基于圍繞2.4 GHz傳輸的專有協 議構建。該解決方案包含 LTC5800 收發器或預認證的LTP590x模塊，非常易于實施。

圖3. SmartMesh IP網絡非常適合用于實施IIoT和預測性維護操作。

使用各種技術來保證傳輸可靠性大于99.999%，包括同步、通道跳變和時間戳，以及針對Mesh網絡的動態重新配置，在信號最強勁的地方僅使用RF路徑。

為什么不求助于人工智能呢？

T目前存在多種振動分析技術。除了數字濾波被用于克服流程本身或者由機器的其他組件導致的寄生振動之外，還可以使用數學工具進行輔助，例如ADcmXL3021中包含的工具（計算平均值、標準偏差、波峰因素、峰度等）。分析可以在時域中進行，但頻率分析才是提供最多關于異常及異常原因的信息的分析。頻率分析甚至可用于計算被同化為信號頻譜中頻譜的倒譜（反向傅里葉變換被用于計算信號傅里葉變換的對數）。但是，無論使用哪種分析方法，困難之處在于確定最佳警報閾值，以使維護操作既不會太早也不會太遲。

可以采用一種方法替代傳統的警報閾值配置，即在故障識別流程中引入人工智能。在機器學習階段，云資源被用于基于來自振動傳感器的數據創建代表性的機器模型。模型創建完成之后，可以下載至本地處理器。使用嵌入式軟件不僅可以實時識別正在發生的事件，還可以識別瞬態事件，從而能夠檢測異常。

旋轉機器中的振動源

旋轉機器經常遇到的一個問題就是滾珠軸承出現故障。對從放置在軸承附近的加速度計獲取的數據進行頻譜分析，可以得出許多特征線、振幅和頻率，它們都由旋轉的速度和問題原因決定。

所述系統的特征頻率包括：
軸承套的旋轉頻率：

與外環（固定）上的缺陷有關的頻率：

與內環（軸）上的缺陷有關的頻率：

圖4. 滾珠軸承。

關于新服務

除了為預測性維護構建模型之外，人工智能和云訪問還開啟了通向諸多可能性的大門。將振動測量數據與來自其他傳感器的數據（壓力、溫度、旋轉、功率等）相關聯，可以推斷出關于系統狀態的許多信息，遠多于維護所需的數據量。將基礎數據合并可以進一步優化設備模型，不僅可用于檢測機械故障，還能夠處理問題（例如，空輸送帶、內部沒有流液的泵、不含膏體的混合器等）。因此，我們可以考慮設備制造商通過將設備供應、維護，以及對生產線的性能和問題實施的統計分析結合起來，為他們的最終客戶提供的多種服務。配備了傳感器模塊之后，基本的電機會成為大數據概念的主要參與者。