【导读】基于状态的监控(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)涉及使用CbM、机器学习和分析等的技术组合来预测即将发生的机器或资产故障。在监测机器的健康状况时，需选择最合适的传感器，以确保能够检测、诊断甚至预测故障，这点至关重要。目前有许多传感器被用于检测旋转机器及其负载中的故障，从而避免意外停机。
基于状态的监控(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)涉及使用CbM、机器学习和分析等的技术组合来预测即将发生的机器或资产故障。在监测机器的健康状况时，需选择最合适的传感器，以确保能够检测、诊断甚至预测故障，这点至关重要。目前有许多传感器被用于检测旋转机器及其负载中的故障，从而避免意外停机。由于许多旋转机器(电机、齿轮、泵和涡轮机)以及非旋转机器(阀门、断路器和电缆)监控都用到了PdM技术，所以很难对每个传感器进行排序。
许多工业电机被设计为可以在连续生产应用中运行20年，例如化学/食品加工厂和发电设施，但有些电机无法达到预期的使用寿命。1 这可能是由于电机运行量不足、维护程序的数量不足、缺乏对PdM系统的投资，或者根本没有PdM系统。PdM使维护团队能够安排维修时间，避免造成意外停机。通过PdM提早预测机器故障也可以帮助维护工程师确认和修复运行效率低下的电机，从而提高性能、生产力、资产可用性和使用寿命。
最佳的PdM策略是：有效利用尽可能多的技术和传感器来提早检测故障，且检测结果高度可信，如此则无需使用一刀切式的传感器解决方案。本文尝试阐明为什么预测性维护传感器对于提早检测PdM应用中的故障至关重要，以及它们有哪些优缺点。
系统故障时间线
图1显示了从安装新电机到电机发生故障期间发生的事件的时间表，以及推荐使用的预测性维护传感器类型。安装新电机时，电机提供保修。几年后，保修期将满，此时会更加频繁地执行手动检查。
图1. 机器健康状况与时间。
如果故障发生在两次定期维护检查之间，则很可能导致意外停机。在这种情况下，至关重要的是使用合适的预测性维护传感器来尽可能提早检测潜在故障，所以，本文将着重介绍振动和声学传感器。振动分析通常被认为是使用PdM的最佳起点。
预测性维护传感器
有些传感器能够比其他传感器更早地检测某些故障，例如轴承损坏，如图1所示。在这一节中，我们将讨论常用于尽可能提早检测故障的传感器，一般是加速度计和麦克风。表1显示传感器规格列表，以及它们可以检测到的一些故障。大多数PdM系统只使用其中一些传感器，因此必须确保除了使用合适的传感器来检测这些潜在的关键故障之外，还要深入了解这些故障。
传感器和系统故障注意事项
工业和商业应用中超过90%的旋转机器都使用滚动轴承。3电机的故障部件分布如图2所示，从中可以清楚看到，在选择PdM传感器时，需要特别关注轴承监测。为了检测、诊断和预测潜在故障，振动传感器必须具有低噪声和宽带宽。
图2. 电机部件出现故障的百分率。
表2显示与旋转机器相关的部分常见故障，以及一些用于PdM应用的相应振动传感器要求。为了尽早发现故障，PdM系统通常需要使用高性能传感器。资产中使用的预测性维护传感器的性能水平与在整个流程中持续可靠运行的资产的重要性相关，而不是与资产本身的成本相关。
根据电机振动或移动(峰值、峰峰值和rms)期间的能量，我们可以确定机器是否不平衡或未对准等。有些故障(例如轴承或齿轮缺陷)不是很明显，特别是在早期，不能单单通过增加振动频率来识别或预测。解决这些故障通常需要将具备低噪声(<100 µg/√Hz)和宽带宽(>5kHz)的高性能预测性维护振动传感器与高性能信号链、处理、收发器和后处理器配对。
免责声明：本文为转载文章，转载此文目的在于传递更多信息，版权归原作者所有。本文所用视频、图片、文字如涉及作品版权问题，请电话或者邮箱联系小编进行侵删。
