基于AI和预测维护的过程传感器

人工智能和机器学习帮助用户从过程传感器收集更复杂的数据，以获得更深入的见解。

数据无处不在，但它们是从何而来？第一个现代传感器始于1860年，当时Wilhelm von Siemens使用了铜电阻器来测量温度。根据这一想法，在1883年诞生了第一个恒温器，这就是被普遍承认的第一个人造传感器。

从那时起，我们看到这种设备大量涌现，尤其是在制造过程的测量和控制领域。随着传感器被应用于运输和消费市场，传感器的复杂程度及其定价发生了巨大变化。与此类似，它们在测量和控制过程中的部署性质也发生了变化，过去是在人为的计算或逻辑（如在比例、积分和导数（PID）控制）中对传感器信号进行相当简单的组合。

在此之后，是支持仿真和过程优化的计算机应用程序。过去几年里，在人工智能（AI）和机器学习（ML）的驱动下，出现了具有高度技术能力的创新技术。其结果是在多个维度上对数据流进行更为复杂的合并，以及用时间来学习行为模式，而不是用基于工程第一原理和统计的计算数字模型来估计行为。程序正在由机器编写，而不是人类。

01

基于AI技术的过程传感器

物联网（IoT）的出现催生了互联事物的巨大增长。根据美国国家科学基金会（NSF）的数据，物联网有望连接500亿个智能设备和1万亿个传感器。其中，传感器和AI/ML技术最广为人知的应用也许是在机动车辆中，尤其是电动汽车。例如，Tesla model 3 中的自动驾驶系统配置了8个摄像头，12个超声波传感器和前向雷达，以读取车道线并检测附近的汽车。

过程制造行业一直在开发这种基于AI和ML中的传感器的新用途，以更好地测量资产和过程的状况，包括从机器及其周边设备传感器上收集的数据流中学习它们的明确行为。它可以取代旧的技术，从而实现更简单、更快的部署，以及更高的准确性和结果，而不需要高强度的工程技能。最好的应用可以抽象数据科学，使工厂的普通工人在不需要大量学习的情况下就能实施复杂的策略。

从单点测量和简单的逻辑表达式，转变为每隔几分钟收集一次自动组合的数据流。使用AI/ML以多维/时序的方式来处理数据，可以开发出更多维度的行为模式，要远远高于人类所能感知到的。该技术非常清楚地看到了这些模式，以识别明确的行为，知道什么是正常的，什么是异常的，以及设备和过程退化的实际模式是什么：如果不加以管理，将会导致糟糕的结果，并可能导致资产故障。

02

制造业数据的关键性

现实情况是，这些部署都是数据驱动的解决方案。没有数据就意味着没有解决方案。这让用户想知道需要多少数据以及需要哪些数据？

以一个矿山的大型泥浆泵为例，该泵配备了4个传感器来测量：输入压力、输出压力、流体温度和电机电流。在这种情况下，通过预测性维护解决方案可以提前两周获悉电机将出现故障。

另一个例子，炼油厂的一个大型充油泵有50个传感器，包括上游和下游的过程测量，还有位于机器上的、包括诸多振动传感器在内的机械传感器。在这种情况下，预测性维护解决方案提供了降级的即时通知，以及16周内即将发生故障的通知。

因此，基于ML的传感器分析可以在只配置少数传感器的情况下有效工作，如果使用更多和更高质量的传感器，其准确性会有效得多，预警也会更早。由于最关键的资产通常已经配置了很多传感器，因此很少需要添加新的传感器。

从检测到的传感器数据也可以预测即将发生故障的模式。它与故障的根本原因和精确的故障模式有一一对应的关系，需要选择合适的传感器组，才能开发这些精确的模式。

在这种情况下，良好的传感器选择指南可以给出检测特定故障（如泵或压缩机上的轴承故障）所需的精确集合。持续监测所选的传感器可以通知是否出现明显的退化模式，并发出高级警告。

03

过程传感器的未来

多年来，过程传感器类型和可用性不断变化。它从简单的温度、流量、压力和液位传感器开始。现在，有复杂的产品质量分析仪传感器，如粘度、含水量、固体、颜色和重量，甚至在线质谱仪，可以提供完整的产品细分。所有这些，在过程和设备监控的预测分析中都很有用。

此外，新兴的传感器测量领域也可以提供额外的帮助。想想有经验的运行人员，他们通过监听设备发出的声音，就可以对设备行为有深刻的理解。在人类听觉范围内、外的新型声学传感器也能有所帮助。麦克风安装起来很便宜，而且不需要安装在机器上。使用视频和高性能图形计算，来解释气体含量甚至气味的高光谱成像应用也有所发展。

这种设备可以取代旧的分析仪，例如在熔炉和烟囱中，以查看和测量温度和废气成分。另一种是解释光纤电缆上的振动，比如承载电话的电缆，以检测温度、接近度和入侵者。电缆安装是非侵入性的（只需要靠近），是检测泄漏和盗窃的一个非常有价值的应用，在周界围栏上，可以检测到任何靠近的事物。

这些只是预测分析依赖复杂传感器进行过程和设备监控的几个例子。未来，这些传感器的新用途将充满潜力和令人兴奋。

关键概念： 

■ 过程传感器正在不断发展，为过程和设备监控提供预测性分析。

■ 人工智能和机器学习帮助用户从过程传感器收集更复杂的数据，以获得更深入的见解。

审核编辑：刘清