Endüstriyel İzlemede DSP Nedir?

Dijital Signal Processing (DSP), makinenin işletim frekanslarını eşleştirmek için sayısal sinyallerin matematiksel manipülasyonu veya geliştirilmesidir.DSP algoritmaları, titreşim, akustik emisyonlar, sıcaklık, ve mevcut çekme gibi gerçek zamanlı sensör verileri analiz eder.DSP tabanlı sistemler, makinedeki frekansları uyumlu olarak, ikinci başına yüzlerce örnekle eşleştirebilme yeteneğinde bulunur - zaman alanlarında görünmez olan anormalliklerin tespiti.

Modern DSP, alan tarafından programlanabilir kapı dizileri (FPGA) veya dijital sinyal kontrolleri (DSC) bu hesaplamaların kendi başına yapılmamasına izin verir, veri bant genişliğinin bulut iletimi için gerekli olmasını ve gerçek zamanlı yanıtın sağlanmasına olanak sağlar.

Endüstriyel Makine İzlemesinde Kullanılan Anahtar Sensörler

Herhangi bir DSP izleme sisteminin etkinliği temel olarak sensör girişlerinin kalitesine ve uygunluğa bağlıdır. Endüstriyel izlemede kullanılan en yaygın sensör türleri:

  • [FONT=0]Accelerometreler[[Dönetici: 1 veya üç eksende vibrasyonlar. Bunlar, faksleri ortaya koyan yüksek frekanslı sinyalleri ele alır, yanlış ve gevşeklik.
  • [FONT=0) Akustik Emission Sensörleri[[DÜT:1) – Ultrasonik ses dalgaları (tipik olarak 100 kHz – çatlaklar) çatlaklar tarafından üretilen ve sürtünmeler özellikle erken aşama hataları için değerli.
  • [FONT:0]Thermo çiftleri ve RTDs[DÜT:1) – Yüksek hassas olan sıcaklık yüksek oranda aşırı ısıya yükselir.Sudden sıcaklık sık sık sık yağdırma veya elektrik hataları nedeniyle aşırı ısıyı gösterir.
  • [FONT:0)Current/Voltage Sensörleri[DÜT:1) – Motor elektrik imzaları. Motor mevcut imza analizi (MCSA) rotor bar hataları, hava-gap eksantrikliği tespit edebilir ve dönen parçalara doğrudan erişim gerektirmez.
  • [FONT=0)Basın Transducers[[Dönetici: 1) - Sıvı ve pnömatik sistemlerde pulları tespit etmek, kalibre etmek veya blokajları tespit etmek için kullanılır.
  • [FONT=0)Strain Gauges[[[Dönetici: 1)) - Mekanik deformasyon, yük taşıma bileşenlerinin yapısal bütünlüğünü izlemek için kullanışlı.

Her makine tipi ve başarısızlık modu için doğru sensör seçmek kritiktir. Tek bir makine, sinyallerin kapsamlı bir sağlık resmi oluşturmak için DSP sistemi tarafından füzyon edilen çoklu sensör türleri ile enstrüman edilebilir.

DSP Signal Zinciri

Tipik bir DSP tabanlı izleme sistemi iyi tanımlanmış bir sinyal zinciri takip eder, her aşama, ham analog verileri harekete geçirebilmede belirli bir rol gerçekleştirir.

1. Anti-Aliasing Filtering Filtering Filtering

Analog-dijik dönüşümden önce, düşük seviyeli bir filtre, örnekleme oranının yarısını kaldırır (en Nyquist frekansı) dijital sinyali bozacak bir eser olmasını engellemek için.Bu genellikle keskin bir roll-off ile bir donanım filtresidir.

2. Analog-tamamasal Dönüşüm (ADC)

Filtrelenen analog sinyal, en yüksek faiz frekansı tarafından belirlenen bir oranda örneklenir. Titreşim analizi için, 50 kHz'nin 200 kHz örnekleme oranları yaygındır. Yüksek örnekleme oranları daha ayrıntılı bir şekilde ele alır ancak süreç için daha fazla veri üretir.

3. Dijital Filtreleme

Bir kez dijitalleştirilmiş olarak, sinyal, gürültü, harmonikleri kaldırmak için yazılım filtreleri geçer ve diğer istenmeyen bileşenler. Common dijital filtre türleri Finite Impulse Response (FIR) ve Sonsuz Impulse Response (IIR) filtreler, her biri ticaret-dönüşümlü doğrusal fazite ve hesaplama verimliliği ile.

4. DSP Algoritmaları aracılığıyla özel ekstraksiyon

Bu, DSP. Algoritmaların temeli, makine sağlığının anlamlı göstergelerini çıkarmak için uygulanır.En yaygın kullanılan teknikler şunlardır:

  • [FONT=0)Fast Fourier Dönüşümü (FFT):), zaman alan dalgaformu frekans alanına dönüştürür.
  • [FONT:0)En Geliştirme Analizi (Demodulation): ), hata tespiti için kullanılır. Yüksek frekanslı titreşim sinyalinin düşük- zarf frekansı, taşıma kusurlarının görünür hale getirilmesi.
  • [FONT:0)Wavelet Dönüşümü:[DWT) Zaman frekansı yerelleştirme, etkiler veya çatlaklar yayılımı gibi geçici olayları analiz etmek için ideal. Sürekli dalgalama dönüşümü (CWT) ve ayrı dalgalama dönüşümü (DWT) her ikisi de uygulamaya bağlı olarak kullanılır.
  • [FONT:0)Cepstrum Analizi:[Döneticileri spektrumda algılamak, dişli diş kusurları ve yan bant modelleri tespit etmek için kullanışlıdır.
  • [FONT:0]Statistical Özellikler: [DÜDÜT:1] RMS gibi Meseller, crest faktörü, loosis ve skewness zaman içinde trende olabilecek hızlı sağlık göstergeleri sağlar.

5. Anomaly Tespit ve Karar Verme

Türleme özellikleri temel veya eş sınırlarına kıyasla karşılaştırılır. Basit alarmlar bir özellik bir başlangıç seviyesi aşıyorken yükseltilebilir.Daha gelişmiş sistemler, aşamalı bozulma veya çalışan makine öğrenme sınıflandırıcılarını belirli hataları ile ilişkili karmaşık kalıpları tespit etmek için eğilim analizlerini kullanır.

Gerçek zamanlı İzleme için DSP'yi kullanmanın temel Faydaları

DSP'yi kenarda veya makineye yakın çalışmak geleneksel periyodik veri koleksiyonunun ötesine geçen avantajlar sunar:

  • DSP:0)Early Fault Tespit: [DFLT:1), İnsanların algılayamadığı yüksek frekanslı içeriği analiz ederek, DSP sistemleri görünür aşınma olarak ortaya çıkmadan önce mikroskobik hasar tespit edebilir. Araştırmalar DSP tabanlı izlemenin, kesik aşamasındaki hataları tespit edebileceğini gösteriyor - başarısızlıktan önce potansiyel olarak haftalar.
  • [FONT:0)Redük Downtime:[[Dönemli uyarılar, belirlenen kapanışlarda bakım ekiplerinin beklenmedik kesintilere tepki vermeleri yerine, planlanan kesintilere tepki vermelerine izin verir.Bu, üretim kaybı ve acil onarım masraflarından kaçınır.
  • [FONT:0]Cost Tasarrufları: [DSPT:1] Tahmin edici bakım DSP tarafından sağlanan yedek parçaları envanteri azaltır, makine ömürlerini genişletir ve iş tahsisini optimize eder. ROI genellikle dağıtım ayları içinde gerçekleşir.
  • [FONT=0]Data-Driven Decisions:[Dön izleme, kök neden analizi, garanti doğrulamayı destekleyen zengin bir tarihsel veri kümesi oluşturur ve sonraki nesil makineler için geliştirmeler tasarlar.
  • [FONT:0)Remote İzleme:[DFLT:1), DSP sistemleri, merkez bir yerden birden çok siteye ekipman denetlemesine izin veren bakım uzmanlarının, bu, BP-19 salgın sırasında vazgeçilmez hale gelen ve operasyonel verimlilik sürmeye devam eden bir yetenektir.

Endüstriyel İzlemede Gerçek Dünya Uygulamaları

Titreşim İzlemesi Zehirlenme

Pompalar, kompresörler, türbinleri ve motorlar, hızlayıcılar ve FFT analizi kullanılarak izlenir. Örneğin, bir petrokimyasal bitkisi, yüzlerce sental pompayı izleyebilir ve DSP sistemi sürekli olarak ilk yıl içinde ISO 10816 ciddiyet seviyesine ulaşır.Bir pompanın titreşim seviyesi alarm eşi için yükselirken, bir bakım siparişi otomatik olarak üretilir.

Ahşap için Akustik Emisyon İzleme

Rüzgar türbinlerinde kirişler değişken yükler ve sert koşullar altında çalışır. Akoustic emisyon sensörleri, yüksek doğrulukla diş molasını veya yüzey yorgunlukunu tespit edebilir.A study published inENFLT:0).Mechanical Systems and Signal Processing).

Motor Şimdiki İmza Analizi (MCSA)

Elektrikli motorlar çoğu endüstriyel süreçlerin kalbidir. MCSA, mevcut transformatörleri kullanarak, daha önce tedarik frekansının etrafındaki yan bant frekanslarını çıkarmak için FFT'yi uygular. Rotor bar kusurları, eksantriklik ve hatta taşıma hataları, non-vazif olarak tanımlanabilir. Bir otomotiv montaj tesisi MCSA motorlarına entegre eder ve daha önce titreşim temelli sistemini rahatsız eden yanlış alarmların %80'ini ortadan kaldırır.

Pencere Sağlığı Keşfeder ve Köprüler için İzleme

Ağır kaldırma ekipmanı ve altyapı varlıkları DSP tabanlı su ve titreşim izlemeden yararlanır. Sydney Harbour Bridge, örneğin, yorgunluk ve fiber optik sensörlerin sinyallerinin işlendiği bir ağ kullanır.

DSP Sistemlerini Uygulama: Zorluklar ve Tahminler

Yararlı olsa da, DSP'yi etkin bir şekilde dağıtması birkaç teknik ve operasyonel zorlukla ilgilenmeyi gerektirir.

C ⁇ Resource Constraints

Yüksek frekanslı DSP, aynı anda birden çok kanal işlemekte olduğu zaman, özellikle de hedef donanımın yeteneklerine karşı algoritma karmaşıklığı konusunda bilgi sahibi olmalıdır. Özel DSP talimat setleri (örneğin, ARM Cortex-M4/M7 veya TI C2000) genellikle seçilir, ancak daha talep edilen uygulamalar FPGA'lar veya hatta hız hızlandırılabilir.

Data Storage ve Transmission Band geniş

Sürekli ham dalgaform verilerinin akışı, yılda makine başına terabaylar oluşturur. Edge işleme bu özelliği çıkarmak için azaltılır, ancak büyük filolar için bile önemli olabilir. Doğru sıkıştırma tekniği ve iletim protokolü seçin (örneğin, MQTT, OPC UA) kritiktir. Birçok sistem bir yerel bir hata tespit edildiğinde bir mağaza-ve-yasayı tutar.

Sensör Seçimi ve Montajı

Incorrect sensör montajı sinyali devre dışı bırakabilir ve yanlış pozitiflere yol açabilir. Hızölçerometreler düz bir yüzey ve uygun darbe ile katılmalıdır. sensör frekansı aralığı ve dinamik aralığı beklenen titreşim seviyelerini eşleştirmelidir.

Gürültü ve Çevre Faktörleri

Endüstriyel ortamlar elektriksel olarak gürültülüdür. Proper kalkanlama, zemin ve diferansiyel sinyalleme (örneğin, IEPE accelerometreler) temeldir. DSP algoritmaları elektromanyetik müdahaleyi daha da hafifletebilir (EMI) bir filtreleme ile daha kolay hale getirebilir, ancak fiziksel katman ilk önce sağlam olmalıdır.

Sistem Entegrasyonu ve Scalability

DSP sistemleri mevcut SCADA, tarihçi ve işletme kaynağı planlama (ERP) sistemleri ile arayüze ihtiyaç duyuyor. Modbus TCP, Ethernet/IP veya OPC UA, entegrasyonları basitleştirir. Scalability planlama - sistem bugün ve 1000 yarın - uzun vadeli başarı için 100 sensörle başa çıkabilir.

IoT, Edge Computing ve Cloud ile entegrasyon

Modern DSP'nin endüstriyel izleme için gerçek gücü, tarihsel analiz, trend görselleştirme ve makine öğrenimi model eğitimi için bulut platformuna gönderilir.The cloud can then updated fault detect models back to the edge, creating alerts and feature vektörs. These hafif data paketleris are sent to a cloud platform for historical analysis, trend visualization, and machine learning model training.

Edge Computing, kritik alarmlar için geçncy azaltır ve dramatik bir şekilde bulut veri maliyetlerini azaltır. Örneğin, DSP'nin son 10 saniyesini yerel olarak çalıştırarak, yalnızca maliyet verimliliği ile yanıt veren bir Raspberry Pi'yi kullanabilir.

Makine Öğrenme Artırılmış DSP

Geleneksel DSP, kural tabanlı eşlere ve bilinen hata frekanslarına dayanıyor. Ancak, karmaşık makineler otomatik olarak tanımlanmış algoritmaların yakalanmadığı hata imzalarını sergileyebilir. Makine öğrenimi (ML) modelleri, konvolutional nöral ağlar (CNNs) ve uzun kısa süreli bellek (LSTM) ağları, otomatik olarak hata türlerini ve ciddiyet seviyelerini sınıflandırmak için etiketli titreşim verileri ile eğitilebilir.

Trend her iki yaklaşımın güçlülerini bir araya getirmektir: DSP ilk sinyallendirme ve özellik çıkarma için kullanılır (örneğin, hata algılaması için makine öğreniminde 200'den fazla makale hazırlar), ve sonra ML + derin öğrenme kararlarını analiz eder.Bu karma boru hattı genellikle yüksek çözünürlükte bir inceleme yapar.

Endüstri İzlemede DSP Geleceği

Birkaç ortaya çıkan trend, DSP tabanlı izleme sistemlerinin bir sonraki nesli şekillendirecektir:

  • [FONT:0]Wireless Self-Powered Sensörler: Enerji titreşim veya termal gradientlerden hasat etmek, batarya yedeklerini ve sabit yerlerine sensör dağıtımını sağlamak.
  • [FONT:0]Federated Learning:[Dönetici:[Dönetici: 0) Tüm sensör verilerini merkezi bir buluta yükleme yerine, kenar cihazları yerel makine öğrenme modellerini eğitecek ve yalnızca model güncellemelerini paylaşacak, veri gizliliğini ve bant genişliğini koruyacaktır.
  • [FONT=0)5G ve Time-Sensitive Networking (TSN): [DFLT:1), Low-latency kablosuz iletişim, DSP işlemenin kapalı devre sistemleri için yüklediği süre boyunca, kapalı-loop kontrolü için gerekli olan süre boyunca yüklenecek.
  • DSP-yeterli kararlar daha bağımsız hale gelir, düzenlemeler ve güvenlik standartları yalnızca bir hata değil aynı zamanda frekansın bileşeni ve zamanınızın alarma neden olduğunu da iddia eder.
  • [FONT:0) Dijital Twins:[Döneticiler: [DFLT:1] Makinenin dijital ikizi, geriye kalan yararlı yaşamı (RUL) ve bakım programlarını optimize etmek için gerçek zamanlı DSP verileriyle beslenebilir.

Dijital Signal Processing, endüstriyel güvenilirlik için temel teknolojiden taşındı. Doğru bir şekilde kullanıldığında, yüksek teknolojideki istisnadan ziyade, fabrikaların sahiplenebilmesi için en yüksek zamanlarına daha yakın çalışmalarını sağlar.