成为行业领先的

智能制造整体解决方案提供商

状态监测和预测性维护概述

基于状态的监测（CbM）和预测性维护（PM）是两种维护策略，旨在优化设备效率并减少设备生命周期中的维护时间和维护成本。

状态监测（CM）是对多个参数（如：设备振动和温度）的监测，以识别潜在的问题，例如：偏离或轴承故障。当振动分析显示旋转设备部件的谐波频率发生变化时，状态监测工具便可绘制设备性能下降的映射图等。频率分析以振动计和麦克风数据为基础。

连续状态监测技术可应用于压缩机、泵、主轴和电动机等多台设备，还可用于识别机器出现的局部排放或真空泄漏等问题。

预测性维护以状态监测、异常检测和分类算法为基础，并集成了预测模型，该模型可以根据检测到的异常来估计机器的剩余运行时间。该方法可使用各种工具，例如：统计分析和机器学习，来预测设备的状态。

从状态监测到预测性维护：边缘处理发挥的作用

从设计智能传感器节点和配置运行在传感器节点和网关中的嵌入式软件，到开发集成在云端或公司企业资源规划（ERP）系统中的软件，预测性维护需要各种技术和能力。可以实施机器学习和人工智能算法，以确保及早发现技术异常并最大化设备正常运行时间。

智能传感器节点是预测分析的关键推动力。这些节点收集并记录经过预处理的安全数据，而这些数据将在可视化工具中显示并在其他处理算法中使用。智能传感器节点还可以通过减少计算延迟来处理数据并检测异常。例如，智能传感器节点可以检测到温度的小幅升高或突然升高，指示可能存在设备问题和未来的可靠性问题。

网关既可以收集和处理来自多个智能传感器节点的数据，也可以充当连接桥，以便利用以太网、Wi-Fi、蜂窝或LPWAN技术实现云端的安全连接。

边缘处理在智能传感器节点和网关之间组合并分配处理能力，目的是在正确的时间向企业级系统发送正确的数据，以便执行更高级的分析。边缘处理还可以使用机器学习和人工智能算法来增强智能传感器节点和网关任务配置文件，并拓宽异常检测和分类的范围。