La tendencia de desarrollo del monitoreo de detección de MEMS ya no se limitará al monitoreo de condición
Monitoreo de sensores MEMS
Al hablar de la combinación de sensores y aprendizaje automático, se mencionó anteriormente que para monitorear un determinado dispositivo, se comenzaron a combinar sensores con aprendizaje automático para realizar un monitoreo predecible del estado del dispositivo. Por supuesto, nuestro enfoque aquí no está en el aprendizaje automático, sino en los sensores.
Al monitorear el funcionamiento y el estado de salud de los equipos, es necesario seleccionar el sensor más adecuado para garantizar que el dispositivo pueda obtener con precisión la información del equipo y detectar, diagnosticar e incluso predecir fallas. Tomemos como ejemplo un motor industrial, el daño de los rodamientos es una falla que a menudo se puede encontrar durante el uso, los dispositivos de detección de vibración y presión sonora son los más utilizados para detectar tales fallas. Las fallas en el rotor, devanado, etc. son mayormente medidas por el transformador de corriente cuando el motor está alimentado.
Rango de detección del sensor de vibración
La detección de vibraciones generalmente se puede usar en la detección de motores para detectar las siguientes fallas, condición de los cojinetes, engrane de engranajes, cavitación de la bomba, desalineación del motor, desequilibrio del motor y condiciones de carga del motor. Para fallas tales como desbalanceado y desalineado, los requisitos de rendimiento de ruido de los dispositivos sensores no son estrictos, y los requisitos de ancho de banda solo deben alcanzar una frecuencia fundamental de 5 a 10. Detección simultánea de múltiples ejes, fallas como defectos de rodamientos y defectos de engranajes tienen requisitos de ruido y ancho de banda extremadamente altos. El rango de ruido debe controlarse a <100 µg/√Hz, mientras que el requisito de ancho de banda es >5kHz.
Las fallas, como el desequilibrio o la desalineación del motor, se pueden detectar durante la vibración del motor; los defectos de cojinetes o engranajes son menos obvios, especialmente en las primeras etapas, y no se pueden identificar o predecir aumentando la frecuencia de vibración únicamente. Abordar estas fallas generalmente requiere emparejar sensores de vibración con bajo nivel de ruido <100 µg/√Hz y ancho de banda amplio> 5 kHz con cadenas de señal de alto rendimiento, procesamiento, transceptores y posprocesadores.
Comparación de vibración MEMS y vibración piezoeléctrica
Los acelerómetros son los sensores de vibración más utilizados, y los acelerómetros piezoeléctricos tienen un bajo nivel de ruido y frecuencias de hasta 30 kHz, lo cual es su ventaja. La frecuencia de los acelerómetros MEMS es generalmente de alrededor de 20 kHz, lo que es más ventajoso en cuanto a costo, potencia y tamaño. Las aplicaciones de detección de condiciones han crecido rápidamente en los últimos años gracias al impulso de las instalaciones inalámbricas, que deben considerar el tamaño del sensor, la integración y el consumo de energía. Por lo tanto, aunque el ancho de banda y el rendimiento de ruido de los acelerómetros piezoeléctricos son significativamente más fuertes que los acelerómetros MEMS, todos prefieren los acelerómetros MEMS bajo una consideración integral.
Tipo de detección Ancho de banda Ruido Respuesta de CC
Acelerómetro piezoeléctrico 2.5kHz-30kHz 1 µg/√Hz-50 µg/√Hz Ninguno
Acelerómetro MEMS 3kHz-20kHz 25µg/√Hz-100 µg/√Hz Sí
(Comparación de MEMS y Piezoeléctrico)
En la detección que requiere un ancho de banda alto y un ruido bajo, ambos sensores tienen un ancho de banda satisfactorio y un ruido bajo, pero los acelerómetros MEMS pueden proporcionar una respuesta de CC, que no está disponible en los acelerómetros piezoeléctricos. La respuesta de CC se puede encontrar en Detecta el desequilibrio del motor y la inclinación a muy baja RPM.
1
(acelerómetro MEMS, ST)
Otro punto es que el acelerómetro MEMS tiene una función de autocomprobación para verificar la usabilidad del propio sensor. Debe decirse que el tamaño más pequeño y la mayor integración de los acelerómetros MEMS están más en línea con la tendencia de desarrollo actual del monitoreo de condición.
Los acelerómetros MEMS monitorean otras capacidades más destacadas
En términos de comparación de ruido y ancho de banda, los acelerómetros MEMS no muestran una ventaja abrumadora sobre la detección piezoeléctrica, pero desde otra perspectiva, las capacidades de monitoreo basadas en MEMS son sobresalientes. Además de la respuesta de CC que mencionamos anteriormente, que puede detectar vibraciones de muy baja frecuencia en el rango de CC cercano, la resolución más alta, las excelentes características de deriva y la sensibilidad también son más prominentes que las capacidades de detección piezoeléctrica.
2
(Módulo de monitoreo de acelerómetro MEMS, ADI)
Los acelerómetros MEMS de alta frecuencia pueden proporcionar señales de salida mucho más allá del rango de frecuencia resonante del sensor para monitorear frecuencias más allá del ancho de banda de 3dB. Este rendimiento se basa en el amplificador de salida, que debe admitir un ancho de banda de señal de 70 kHz para admitir el acelerómetro para completar el monitoreo del rango de overclocking. El ruido de alias es inevitable con los amplificadores, por lo que los filtros también son esenciales.
La combinación de monitoreo de condiciones y aprendizaje automático sigue siendo una gran tendencia
Existen muchas tecnologías utilizadas para el monitoreo y análisis de vibraciones, como filtrado digital, análisis de frecuencia, etc. Independientemente del método de análisis, el punto más crítico es cómo determinar el punto de alarma más adecuado bajo el monitoreo de condición. Cuando se combinan la detección y el aprendizaje automático, la IA de aprendizaje automático se puede utilizar en el proceso de identificación de fallas para crear un modelo de máquina representativo basado en datos de sensores de vibración. Una vez que se crea el modelo, se descarga al procesador local y luego se integra en el software. No solo se pueden identificar los eventos en curso en tiempo real, sino que también se pueden identificar los eventos transitorios, lo que permite la detección de anomalías.
Además, el monitoreo de condición introducido por IA puede correlacionar los datos de monitoreo de vibraciones con otros datos de sensores, y la información de condición inferida debe ser mayor que la cantidad de datos necesarios para el mantenimiento. El uso posterior de los datos adquiridos puede completar más dimensiones de análisis de equipos, no solo un monitoreo de estado único.
