MEMSセンシング監視の開発動向は、状態監視に限定されなくなります
MEMSセンサーモニター
センサーと機械学習の組み合わせについて話すとき、特定のデバイスを監視するために、センサーを機械学習と組み合わせて、デバイスの予測可能な状態監視を実行するようになりました。もちろん、ここでの焦点は機械学習ではなく、センサーです。

機器の動作や状態を監視する場合、機器が機器情報を正確に取得し、故障を検出、診断、さらには予測できるように、最適なセンサーを選択する必要があります。産業用モーターを例にとってみましょう。ベアリングの損傷は、使用中に頻繁に発生する可能性のある障害です。このような障害を検出するには、振動および音圧検出デバイスが最もよく使用されます。回転子や巻線などの故障は、ほとんどの場合、モーターに電力が供給されているときに変流器によって測定されます。

振動センサーの検出範囲

振動検知は、一般に、モーターの検出に使用して、次の障害、ベアリングの状態、ギアの噛み合い、ポンプのキャビテーション、モーターのミスアライメント、モーターの不均衡、およびモーターの負荷状態を検出できます。不均衡や不整合などの障害の場合、センサーデバイスのノイズ性能要件は厳密ではなく、帯域幅要件は基本周波数の5倍から10倍に達する必要があります。複数の軸の同時検出、ベアリングの欠陥やギアの欠陥などの障害非常に高いノイズと帯域幅の要件があります。ノイズ範囲は<100µg /√Hzに制御する必要がありますが、帯域幅の要件は>5kHzです。

モーターの不均衡/ミスアライメントなどの障害は、モーターの振動中に検出できます。ベアリングやギアの欠陥は、特に初期段階ではあまり目立たず、振動周波数を上げるだけでは特定または予測できません。これらの障害に対処するには、通常、低ノイズ<100 µg/√Hzおよび広帯域幅>5 kHzの振動センサーと、高性能シグナルチェーン、処理、トランシーバー、およびポストプロセッサーを組み合わせる必要があります。

MEMS振動と圧電振動の比較

加速度計は最も一般的に使用されている振動センサーであり、圧電加速度計はノイズが少なく、周波数が最大30kHzであるため、この利点があります。 MEMS加速度計の周波数は一般に約20kHzであり、コスト、電力、サイズの点でより有利です。状態検出アプリケーションは、センサーのサイズ、統合、および消費電力を考慮する必要があるワイヤレスインストールの推進のおかげで、近年急速に成長しています。したがって、圧電加速度計の帯域幅とノイズ性能はMEMS加速度計よりも大幅に強力ですが、包括的な検討の下では、誰もがMEMS加速度計を好みます。
センシングタイプ帯域幅ノイズDC応答
ピエゾ加速度計2.5kHz-30kHz1µg/√Hz-50µg/√Hzなし
MEMS加速度計3kHz-20kHz25µg /√Hz-100µg/√Hzはい
（MEMSと圧電の比較）

高帯域幅と低ノイズを必要とする検出では、両方のセンサーが実際に十分な帯域幅と低ノイズを備えていますが、MEMS加速度計は、圧電加速度計では利用できないDC応答を提供できます。DC応答は、モーターの不均衡と非常に低い傾斜の検出にあります。 RPM。
1
（MEMS加速度計、ST）

もう一つのポイントは、MEMS加速度計にはセンサー自体の使いやすさを検証するためのセルフテスト機能があるということです。 MEMS加速度計のより小さなサイズとより高い統合は、状態監視の現在の開発傾向とより一致していると言わなければなりません。

MEMS加速度計は、他のより優れた機能を監視します

ノイズと帯域幅の比較に関しては、MEMS加速度計は圧電センシングに比べて圧倒的な利点を示していませんが、別の観点からは、MEMSベースの監視機能は優れています。 DCに近い範囲で非常に低い周波数の振動を検出できる前述のDC応答に加えて、圧電センシング機能よりも高い分解能、優れたドリフト特性、および感度も際立っています。
2
（MEMS加速度計監視モジュール、ADI）

高周波MEMS加速度計は、センサーの共振周波数範囲をはるかに超える出力信号を提供して、3dB帯域幅を超える周波数を監視できます。このパフォーマンスは、オーバークロック範囲の監視を完了するために加速度計をサポートするために70kHzの信号帯域幅をサポートする必要がある出力アンプに依存しています。アンプではエイリアシングノイズが避けられないため、フィルタも不可欠です。

状態監視と機械学習の組み合わせは依然として大きなトレンドです

デジタルフィルタリング、周波数分析など、振動の監視と分析に使用される多くの技術があります。どの分析方法に関係なく、最も重要なポイントは、状態監視の下で最適なアラームポイントを決定する方法です。センシングと機械学習を組み合わせると、機械学習AIを障害識別プロセスで使用して、振動センサーからのデータに基づいて代表的な機械モデルを作成できます。モデルの作成後、ローカルプロセッサにダウンロードされ、ソフトウェアが組み込まれます。進行中のイベントをリアルタイムで識別できるだけでなく、一時的なイベントも識別できるため、異常を検出できます。

さらに、AIによって導入された状態監視は、振動監視データを他のセンサーデータと相関させることができ、推測される状態情報は、メンテナンスに必要なデータ量を超える必要があります。取得したデータをさらに使用すると、単一の状態の監視だけでなく、機器分析のより多くの側面を完了することができます。