摘要
本文说明MEMS技术的最新进展如何将加速度传感器推到前沿，在状态监控应用中与压电传感器抗衡竞争；还将讨论如何使用使这一切成为可能的新开发平台。
状态监控(CbM)和预测性维护(PdM)简介
状态监控(CbM)涉及使用传感器来测量当前的健康状态，以监测机器或资产。预测性维护(PdM)需要组合使用CbM、机器学习和分析等多种技术，以预测未来的资产维护周期或可能发生的故障。预计全球设备健康监测将显著发展，因而知晓和了解关键的趋势势在必行。越来越多的CbM公司开始采用PdM来提高其产品的差异化优势。关于CbM，维护和设备管理人员现在有了新的选择，比如无线装置，以及更低成本的高性能装置。虽然大部分CbM系统的基础设施保持不变，但现在我们可以将新的MEMS技术直接集成到以前主要采用压电式传感器，或因成本障碍而未进行监控的系统中。
状态监控—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规范和技术，这些规范和技术都在不断改进，其复杂性也在不断增加。现在有各种类型的客户，他们可能具备某个领域的专业知识，例如算法开发（仅软件）或硬件设计（仅硬件），但并非始终同时精通这两个方面。
对于希望专注于算法开发的开发人员，他们要求数据信息库能够准确预测资产故障和停机。他们不想设计硬件，或者解决数据完整性故障；而是想使用确实高度保真的数据。同样，对于希望提高系统可靠性或降低成本的硬件工程师，他们需要一种可以轻松连接到现有的基础设施的解决方案，从而可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，以免浪费时间来评估性能。
Many of the system-level challenges can be solved with a platform approach—from the sensor all the way to algorithmic development—enabling all customer types.
许多系统级挑战都可以采用平台方法解决（从传感器到算法开发），从而支持所有类型的客户。
CN0549是什么？它如何帮助延长设备的寿命？
CN0549 CbM开发平台
CN0549状态监控平台是一种高性能、现成的硬件和软件解决方案，可以将高保真的振动数据流从资产传输到算法/机器学习开发环境中。该平台为硬件专家提供了一个经过测试和验证的系统解决方案，可以提供高度精准的数据采集、与资产之间的可靠机械耦合，以及高性能宽带振动传感器。同时提供所有硬件设计文件，帮助您轻松集成到设计的产品中。CN0549对软件专家也很有吸引力，它概括了状态监控信号链硬件挑战，让软件团队和数据专家能够直接开始开发机器学习算法。重要特性和优点包括：
- 易于安装到资产中，同时保持机械耦合信号的完整性
- 具有IEPE数据输出格式的宽带宽MEMS加速度计传感器
- IEPE、模拟输入带宽从DC到54 kHz的高保真数据采集(DAQ)解决方案
- 嵌入式网关捕捉和存储原始数据，用于本地或联网处理
- 使用ADI的IIO示波器应用实时显示频域数据
- 直接将传感器数据流传输至热门的数据分析工具，例如Python和MATLAB®
CbM开发平台主要由四种不同的元件构成（如图1所示），我们将分别逐一介绍，然后介绍整个组合解决方案。
图1.构成CbM开发平台的元件
高度精准、高保真的数据捕捉和处理
在带宽更宽、传感器噪声更低时，可以更早检测到故障，例如轴承问题、气蚀和齿轮啮合。数据采集电子设备必须确保测量的振动数据高度保真，这一点非常重要；否则可能导致重要的故障信息丢失。确保振动数据保真，这样我们就可以更快地发现变化趋势，且非常自信地提供预测性维护建议，从而减少机械元件不必要的磨损，随之延长资产的使用寿命。
对重要性较低的资产实施状态监控的经济高效的方法
压电式加速度计是最关键的资产上使用的最高性能的振动传感器，对于这些资产来说，性能比成本更重要。一直以来，压电传感器的高成本都阻碍了对重要性较低的资产实施状态监控。现在，MEMS振动传感器在噪声、带宽和g范围等方面都不逊于压电式传感器，这让维护和设备管理人员能够更深入地了解重要性较低的资产，这些资产以前采用故障排除或被动维护计划。这主要是因为MEMS的性能高，成本低。现在，我们可以使用经济高效的方法来持续监控中低等重要性的资产。我们可以利用先进的振动传感技术，轻松识别和修复资产上不必要的磨损，帮助延长资产的使用寿命。这也有助于提高设备的整体效率，减少机器或工艺停机时间。
监控资产—检测问题
对于CbM和PdM，可以使用多种不同类型的检测模式。大部分应用都涉及电流检测、电磁检测、流量监控和其他几种模式。振动检测是CbM中最常用的模式，压电式加速度计则是最常用的振动传感器。在本节中，我们将回顾技术进步如何推动振动传感器领域不断发展，以及这对应用决策产生什么样的影响。
MEMS与压电式加速度计
压电式加速度计是性能非常高的传感器，但要达到该性能，需要做出许多设计取舍。例如，压电式加速度计通常都是用在有线安装中，这是因为它们会消耗过多功率、体积可能很大（尤其是三轴传感器），且成本高昂。综合上述所有这些因素，在整个工厂内使用压电式传感器是不现实的，所以，它们一般只用在关键资产上。
MEMS加速度计一直没有足够的带宽、噪声过高，g范围也仅支持监控不太重要的资产，这种情况直到最近才发生改变。MEMS技术的最新进展克服了这些限制，使MEMS振动传感器能够监控低端资产，也能监控非常重要的资产。表1显示了压电式传感器和MEMS传感器在CbM应用中所需的重要特性。MEMS加速度计体积小、可通过电池供电运行数年、成本低，且性能不逊于压电式传感器，正快速成为许多CbM应用的首选传感器。
CN0549 CbM开发平台兼容MEMS和IEPE压电式加速度计，可在不同传感器类型之间进行基准比较。
表1.MEMS与压电式加速度计
现有IEPE基础设施中使用MEMS加速度计
如表1所示，与压电式传感器相比，MEMS加速度计现在可以提供具有竞争力的规格和性能，但是，它们能够取代现有的压电式传感器吗？为了便于设计人员评估并使用MEMS加速度计来取代压电式加速度计，ADI设计了一个接口，它可以兼容CbM应用中实际使用的IEPE标准压电式传感器接口。
IEPE传感器接口和机械安装(CN0532)
CN0532（如图2所示）是一个IEPE转换电路，让MEMS加速度计和现有IEPE传感器一样，直接与IEPE基础设施无缝连接。
图2.CN0532 MEMS IEPE转换电路
单轴MEMS传感器通常有三条输出线路：电源、接地和加速度输出。IEPE基础设施只需要两条：一条线路接地，另一条传输电源/信号。电流传输给传感器，当传感器检测到振动时，由同一条线路输出电压。
图3.说明MEMS传感器如何与现有的IEPE基础设施（电源和数据）连接的简化示意图
CN0532 PCB的设计厚度为90 mils，以保持数据手册中给出的MEMS加速度计的频率响应性能。测试装置采用螺钉安装，开箱即可进行测试。安装块、PCB和焊锡膏等均进行了广泛表征，以确保全带宽机械转换功能、最大限度地提高传感器带宽内各类故障的可见性，并通过捕捉这些故障来延长资产的使用寿命。这些解决方案让CbM设计人员能够轻松将MEMS加速度计集成到他们的资产中，并与现有的压电式基础设施无缝连接。
对于高频振动测试，机械信号路径的完整性非常重要。换句话说，从信号源到传感器，振动信号必须没有衰减（由于阻尼）或放大（由于谐振）。如图4所示，一个铝质安装块(EVAL-XLMOUNT1)、四个螺钉安装座和一个厚PCB，确保对目标频率范围提供平坦的机械响应。IEPE参考设计让设计人员能够轻松使用MEMS传感器来取代压电式传感器。
图4.振动测量测试装置：使用EVAL-XLMOUNT1铝质安装块将EVAL-CN0532-EBZ板连接至振动台
图5.EVAL-CN0532的频率响应与ADXL1002数据手册给出的频率响应的比较
振动到比特——数据转换的完整性
现在，我们知道可以使用MEMS传感器来代替IEPE压电传感器。也知道如何将它们轻松地安装到资产上，同时保持数据表给出的性能。对于CbM开发平台，重要的一点是它能够收集高质量的转换数据（无论是基于MEMS还是基于压电式传感器），然后将数据输送至正确的环境中。接下来，我们看看如何获取IEPE传感器数据并保持最高的数据保真度，以开发最好的CbM算法或机器学习算法。我们的另一款CbM参考设计CN0540可以帮助实现上述目标。
适用于IEPE传感器的高保真24位数据采集系统(CN0540)
图6显示了一款经过实验室测试和验证的IEPE DAQ信号链。这款参考设计提供了兼容MEMS和压电式加速度计的优化模拟信号链。ADI不仅关注基于MEMS加速度计的解决方案。请注意，压电式加速度计提供出色的性能，是广泛使用的振动传感器；所以，压电式加速度计是适用于精密信号链产品的重要传感器。
图6所示的电路是适用于IEPE传感器的传感器到比特（数据采集）信号链，由电流源、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(ADC)驱动器和全差分∑-Δ ADC组成。CbM系统设计人员在使用压电式加速度计时，需要使用高性能模拟信号链来实现振动数据保真。设计人员只需将IEPE传感器或CN0532 IEPE传感器直接连接到CN0540 DAQ参考设计，就可以评估信号链的性能。ADI对此设计进行了广泛测试，提供开源设计文件（原理图、布局文件、材料清单等），以轻松将其集成到终端解决方案中。
CN0540 IEPE数据采集板是一种经过测试和验证的模拟信号链，专用于获取IEPE传感器振动数据，具有优于100 dB的信噪比(SNR)。市场上大多数与压电传感器连接的解决方案都采用交流耦合，不具备直流和亚赫兹测量能力。CN0540适用于直流耦合应用场景，在这些场景中，必须保留信号的直流分量，或者必须确保系统响应低至1 Hz或更低的频率。
采用2个MEMS传感器和3个压电传感器对高精度数据采集参考设计进行测试，如表2所示。从表中可以看出，每个传感器的g范围、噪声密度和带宽都有很大差别，价格也是如此。值得注意的是，压电传感器仍具有最佳的噪声性能和振动带宽。
对于CN0540，系统带宽设置为54 kHz，信号链噪声性能是针对在该带宽范围内能够达到>100 dB动态范围的传感器，例如，Piezotronics PCB 621B40型加速度计可以在30 kHz时达到105 dB。CN0540旨在提供超越当前振动传感器性能的带宽和精度，确保它不会成为收集高性能振动数据时的阻碍。在同一系统上比较MEMS和压电式传感器并确定基准是非常容易的。无论与MEMS传感器、压电传感器还是与两者一起工作，CN0540都能为数据采集和处理提供最佳信号链解决方案，所以必然会设计为嵌入式解决方案。
当我们说MEMS传感器能以更低的成本提供相当的性能时，ADXL1002的SNR为83 dB，但与压电传感器相比，其成本低10倍以上。MEMS传感器现在可替代除最高性能的压电传感器以外的所有传感器，且成本低廉。
图6.CN0540：适用于IEPE传感器，可进行高性能、宽带宽、精密数据采集
表2.MEMS和压电传感器及其相应的噪声密度测量值
嵌入式网关
在DAQ信号链获得高保真振动数据之后，必须处理这些数据，并实时查看和/或将数据发送至机器学习或云环境，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)支持两种嵌入式平台，其中包括对所有相关HDL、设备驱动器、软件包和应用的支持。每个平台都运行嵌入式ADI Kuiper Linux®，让您能够实时显示时域和频域数据，通过以太网访问实时捕捉的数据，连接热门的数据分析工具（例如MATLAB或Python），甚至连接各种云计算实例（例如AWS和Azure）。嵌入式网关可以通过以太网向您选定的算法开发工具传输6.15 Mbps（256 kSPS × 24位）。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，搭载采用双精度浮点单元(FPU)的800 MHz neon™框架媒体处理引擎
- 1千兆以太网PHY，采用RJ45连接器
Digilent Cora Z7-07S (Xilinx)
- 667 MHz Cortex-A9处理器，紧密集成Xilinx FPGA
- 512 MB DDR3存储器
- USB和以太网连接
IIO示波器（如图7所示）是一款与ADI Kuiper Linux一起安装的免费开源应用，可以帮助您快速显示时域和频域数据。它基于Linux IIO框架进行构建，直接与ADI的Linux设备驱动器连接，可以在一个工具中完成设备配置、设备数据读取和可视化显示。
图7.IIO示波器显示5 kHz纯音的FFT
ADI Kuiper Linux镜像也支持行业标准工具，例如MATLAB和Python。通过使用可以配合IIO框架工作的连接层，开发出IIO绑定用于将数据流直接传输至这些典型的数据分析工具。设计人员可以使用这些强大工具，结合IIO集成框架，用于显示和分析数据、开发算法，以及执行硬件环路测试和其他数据处理技术。提供完整示例，展示如何将高质量的振动数据传输至MATLAB或Python工具。
使用CN0549进行预测性维护开发
为PdM应用开发机器学习(ML)算法一般包含5大步骤，如图8所示。在进行预测性维护时，通常使用回归模型，而不是分类模型来预测即将发生的故障。向预测性模型输入的训练数据越多，其性能表现越出色。如果只输入10分钟的振动数据，可能无法检测到所有操作特性，但是如果输入10小时的数据，则检测几率大大增加，如果收集10天的数据，则模型的性能将更强。
图8.开发PdM应用的步骤
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，在该系统中，我们可以将高性能振动数据流传输至所选的机器学习环境。
MEMS IEPE传感器随附机械安装块，可以将MEMS传感器无缝安装到资产或振动台上。注意，IEPE压电传感器也可与本系统配合使用，轻松安装到资产、振动台等装置中。在将数据流传输至数据分析工具之前，应先验证传感器安装，确保不会产生任何干扰谐振。可以使用IIO示波器轻松且实时完成这种检查。系统准备就绪后，可以定义一个用例，如图9所示，例如，在70%的负载下正常运行的电机。之后，可以将高质量的振动数据流传输至基于MATLAB或Python的数据分析工具，例如TensorFlow或PyTorch（以及许多其他工具）。
通过分析，可以确认能够定义该资产的健康状况的特征和特性。建立可以定义正常运行状况的模型后，即可检测或仿真故障。可以重复使用第4步来确定能够定义故障的关键特征，由此生成模型。将故障数据与正常运行电机的数据进行比较，可得到预测模型。
以上简要概述了CbM开发平台支持的机器学习流程。需要注意的是，该平台可以确保将最高质量的振动数据传输至机器学习环境。
本文第2部分将详细介绍软件堆栈、数据流和开发策略，并从数据专家或机器学习算法开发人员的角度介绍使用Python和MATLAB的示例。此外，还将概述软件集成，以及本地和基于云的开发选项。