Акселерометры и датчики вибрации переживают свой день. Поскольку цены резко упали, мы видим, что все больше и больше компаний оснащают всевозможными устройствами и оборудованием. Сценарии использования промышленных, автомобильных и потребительских товаров распространяются почти так же быстро, как и стартапы со словом «ИИ» в названии.

Во многих случаях, особенно в промышленных приложениях, цель нового оборудования состоит в том, чтобы контролировать машины новыми способами, чтобы увеличить время безотказной работы и снизить затраты за счет прогнозирования проблем с техническим обслуживанием до их возникновения. Датчики вибрации — это очевидный выбор, поскольку анализ вибрации имеет долгую историю в промышленных кругах для диагностики машин.

В Reality AI мы видим, как наши промышленные клиенты пытаются получить результаты от всех видов реализации датчиков. Многие из этих реализаций тщательно спроектированы для предоставления надежных, контролируемых, проверенных на практике и богатых данных. А многие нет.

Работа с акселерометрами и вибрациями

В данных о вибрации, безусловно, есть вещи, которые вы можете обнаружить, просто взглянув на то, как сильно что-то трясется. Чтобы увидеть, насколько сильно что-то трясется, обычно смотрят на амплитуды движения и рассчитывают количество энергии в движении. Чаще всего это означает использование показателей интенсивности вибрации, таких как RMS и «пик-пик». Глядя на изменения таких показателей, обычно можно определить, например, серьезно ли машина разбалансирована или подверглась удару.

Для более тонких условий, таких как выявление износа и проблем с техническим обслуживанием, недостаточно просто знать, что машина больше трясется. Вам нужно знать, трясется ли он по-другому. Для этого требуется гораздо более подробная информация, чем простая среднеквадратичная энергия. Часто требуются более высокие частоты дискретизации и другие меры.

Обученные вибрационные аналитики обычно прибегают к быстрому преобразованию Фурье (БПФ), чтобы рассчитать, сколько энергии присутствует в разных частотных диапазонах, обычно ища спектральные пики при различных кратных частотах вращения машины (то есть для вращающегося оборудования; другое). виды оборудования сложнее с анализом Фурье). Другие инструменты, такие как Reality AI, выполняют более сложные преобразования на основе реальных многомерных сигналов времени, полученных непосредственно с акселерометра.

Но большие объемы данных влекут за собой серьезные проблемы — более дорогие датчики, трудности с прерыванием линии для установки приборов, требования к полосе пропускания для получения данных с локального узла.

Многие просто используют самые дешевые пакеты датчиков, ограничиваясь простыми показателями, такими как RMS и Peak-to-Peak, и в основном отбрасывают почти всю информацию, содержащуюся в этих вибрациях.

Другие используют пакеты датчиков, которые выполняют выборку с более высокой частотой и локально вычисляют БПФ с хорошим разрешением по частоте, и такие инструменты, как Reality AI, могут эффективно использовать данные такого типа.

Некоторые, однако, инвестируют в датчики, которые могут фиксировать исходную временную форму волны с высокой частотой дискретизации, и работают с такими инструментами, как Reality AI, чтобы получить как можно больше от своих данных.

это не перебор

Но я слышу, как вы спрашиваете: «Разве это не излишество?»

Мне действительно нужны высокие частоты дискретизации и временные формы сигналов или, по крайней мере, БПФ с высоким разрешением? Может быть, вы делаете.

Вы пытаетесь предсказать износ подшипника до выхода из строя? Тогда вы делаете.

Вы пытаетесь определить тонкие аномалии, которые не проявляются в больших движениях и сильной тряске? Тогда вы тоже.

Окружающая среда шумная? С большим количеством вариаций как в цели, так и в фоне? Тогда вы действительно, действительно делаете.

Богатые данные, плохие данные

Временной сигнал и БПФ с высоким разрешением — это то, что мы называем «обогащенными данными». Там много информации, и они дают аналитические инструменты, такие как наш, которые ищут сигнатуры и обнаруживают аномалии, с которыми можно много работать. Они позволяют сказать, что хотя машина и не вибрирует «больше», чем раньше, она вибрирует «по-другому».

С другой стороны, измерения RMS и размаха пиков являются «плохими данными». Они мало что вам говорят и отбрасывают большую часть информации, необходимой для вынесения суждений, которые вам больше всего нужны. По сути, это просто высокоуровневые описательные статистические данные, которые отбрасывают почти всю важную информацию о сигнатурах, необходимую для поиска конкретных событий и условий, которые в первую очередь оправдывают ценность реализации сенсора. И, как показывает этот отличный пример из другой области, описательная статистика просто не позволяет увидеть самое интересное.

Что это означает с практической точки зрения для анализа вибрации?

Это означает, что, полагаясь только на высокоуровневую описательную статистику (плохие данные), а не на временные и частотные области (богатые данные), вы пропустите аномалии, не сможете обнаружить сигнатуры и, по сути, пожертвуете большей частью ценности, которую потенциально могла бы реализовать ваша реализация. доставлять. Да, это может быть сложнее в реализации. Это может быть дороже. Но он может обеспечить экспоненциально более высокую ценность.

Ранее опубликовано по адресу: https://reality.ai/rich-data-poor-data-getting-the-most-out-of-sensors/