还记得固定电话和投币式付费电话的日子吗?他们工作，但他们有其局限性。你去他们那里或多或少地得到你需要的东西。在过去的 30 年中，机器状态监测也是如此。

传统上，要真正了解压缩机、齿轮箱和泵的运行情况，我们必须前往工厂车间。我们的耳朵，然后是探头，最后是采集振动波形的数据收集器，以评估机器的状况。这个过程每月或一次或季度发生一次，使用受培训和可用性的难以找到的劳动力，通常在不安全的环境中。

但公司希望每天了解其资产的健康状况。打个比方，我们不希望我们的汽车传感器每月或每季度只提醒我们一次故障或服务要求。幸运的是，新的无线传感器可以抛弃大多数手持数据收集器，将工厂资源部署到比在机器之间行走收集振动数据更重要的事情上。

多年来，公司一直在使用 1-2 kHz 低分辨率无线振动传感器。当机器似乎不同步时，他们基本上会举手。他们的警告通常来得太晚，并且总是需要分析师返回机器进行故障排除。最近，开发人员推出了分辨率更高的无线传感器，但每个传感器的成本为 1,000 美元。普通机器需要大约三个传感器，这太贵了。

然而，最新的无线传感器已经发展到消除这些障碍。

价格性能曲线现在已经越过了 10 kHz 和 +-16g 动态范围规格的“黄金时段准备就绪”线。为什么这些变化很重要?无线传感器现在可以收集足够的数据来准确预测难以检测的齿轮磨损、早期轴承磨损和其他严重故障。计算技术的进步、复杂的人工智能和机器学习提供了更准确的结果和一致的数据，大大减轻了分析振动原因和影响的负担。现在，无线传感器可以在机器出现故障之前提前几天或几个月提前通知我们，而低分辨率传感器无法做到这一点。

为了解决工厂环境中无线通信的持续挑战，自我修复网状网络确保了可靠的连接性。这些传感器相互依赖，以找到向分析师提供信息的最有效途径。与无线传感器一样，网状网络的概念并不新鲜。它们在 1980 年代首次出现在军事实验中，并在 1990 年代用于高端生产硬件。如今，谷歌的智能家居产品 Nest 是市场上最受欢迎的网状网络之一。但由于成本、复杂性、无线电频谱稀缺以及早期实施中的其他限制，网状网络直到最近才在工业应用中站稳脚跟。

当然，所有这些技术都很棒，但还需要一件事——可负担性。无线传感器花费数百美元而不是数千美元。

人工智能是这一演变的关键。由于设备、传动系统和操作模式很复杂，故障原因很多，因此使用标准化机器学习并不适合监控机器状况。系统根本没有足够的时间和机会来学习如何识别每个独特资产的每个潜在故障。相比之下，神经网络可以快速准确地训练新机器，利用历史数据存储并建立基线以确保准确的预测和处方。一旦捕获了这些基线和特征，就可以应用使用长期规则的振动分析方法。

这种由人工智能辅助的过程可以快速设置传感器，而无需漫长且通常不充分的学习过程。将此监控与数十年来类似机器的故障数据档案相结合，我们就拥有了一个完整的自动化无人检测系统。快速实现状态感知、故障检测、优先可行的维修建议。

当我们将无线硬件和连接方面的所有进步与 AI 和大型机械数据库相结合时，我们就有了游戏规则改变者：可靠、准确且经济实惠的工业机械故障检测和故障预测。这正是你所需要的。

更多信息可以来这里获取==>>电子技术应用-AET<<