推动实现具有成本效益的状态监测

2020年9月1日

状态监测和预测性维护通常被视为同义词，但实际上它们是两个非常不同的概念。预测性维护是对事件或事件发生概率的预测，例如，如果变速箱在未来50个工作小时内发生故障的概率上升到90%以上。这种预测可以用于在机器或工厂发生故障之前及时计划更换变速箱。

另一方面，状态监测是一个预先阶段，它允许通过解释可用数据对当前状态进行更详细的描述。它需要对机器和过程有更深入的了解，以便从“裸”数据中生成有意义的信息。基于机器学习(ML)和AI的分析可以帮助更快地识别异常。

无成本增值

在不增加硬件成本的情况下获得状态监控所提供的附加价值，这使得Lenze解决方案特别有趣。由于不需要传感器，因此没有额外的成本。相反，增加的信息价值是从已经可用的数据源中提取的。伦茨可以为各种应用提供预先测试的算法，帮助工程师将他们的工艺专业知识和机器知识转化为可以提高机器效率的状态监测模型。

有两种不同的方法——一种是基于模型的，将测量的实际值与机器的假设数学描述进行比较。如果超出了一定的公差，这就被解释为故障。

另一种方法是基于数据的。算法学习系统的行为和各种参数的相互影响，例如速度、加速度、扭矩、位置和电流消耗。将实际值与学习到的描述值进行比较，以确定偏差。

伦茨已经在一个2轴机器人的演示中证明了这一点，该机器人模拟了主轴摩擦增加和皮带传动磨损等问题。在这两种情况下，都可以通过电流和转矩值检测到异常，无论是通过值的绝对增加还是通过频率分析中的异常。在这两种情况下，状态监控都会发出警报，并在仪表板上显示原因。

控制系统还是云?

这两种状态监测方法不仅在概念上有所不同。关于如何评估这些数据的问题也有不同的答案。基于模型的评估通常发生在控制系统上，因为它不需要任何显著的计算能力。用于基于数据的评估的ML和AI分析通常作为云应用程序实现。

伦茨的作品集提供了选择的自由。这包括许多不同的三维plc，用于基于模型的状态监测。基于数据的评估也可以在本地进行，或者可以提供通往云的路径。

Marc Vissers是Lenze公司EMEA市场策略经理。