成為行業領先的

智能制造整體解決方案提供商

狀態監測和預測性維護概述

基于狀態的監測（CbM）和預測性維護（PM）是兩種維護策略，旨在優化設備效率并減少設備生命周期中的維護時間和維護成本。

狀態監測（CM）是對多個參數（如：設備振動和溫度）的監測，以識別潛在的問題，例如：偏離或軸承故障。當振動分析顯示旋轉設備部件的諧波頻率發生變化時，狀態監測工具便可繪制設備性能下降的映射圖等。頻率分析以振動計和麥克風數據為基礎。

連續狀態監測技術可應用于壓縮機、泵、主軸和電動機等多臺設備，還可用于識別機器出現的局部排放或真空泄漏等問題。

預測性維護以狀態監測、異常檢測和分類算法為基礎，并集成了預測模型，該模型可以根據檢測到的異常來估計機器的剩余運行時間。該方法可使用各種工具，例如：統計分析和機器學習，來預測設備的狀態。

從狀態監測到預測性維護：邊緣處理發揮的作用

從設計智能傳感器節點和配置運行在傳感器節點和網關中的嵌入式軟件，到開發集成在云端或公司企業資源規劃（ERP）系統中的軟件，預測性維護需要各種技術和能力?？梢詫嵤?strong style="box-sizing: border-box; line-height: inherit;">機器學習和人工智能算法，以確保及早發現技術異常并最大化設備正常運行時間。

智能傳感器節點是預測分析的關鍵推動力。這些節點收集并記錄經過預處理的安全數據，而這些數據將在可視化工具中顯示并在其他處理算法中使用。智能傳感器節點還可以通過減少計算延遲來處理數據并檢測異常。例如，智能傳感器節點可以檢測到溫度的小幅升高或突然升高，指示可能存在設備問題和未來的可靠性問題。

網關既可以收集和處理來自多個智能傳感器節點的數據，也可以充當連接橋，以便利用以太網、Wi-Fi、蜂窩或LPWAN技術實現云端的安全連接。

邊緣處理在智能傳感器節點和網關之間組合并分配處理能力，目的是在正確的時間向企業級系統發送正確的數據，以便執行更高級的分析。邊緣處理還可以使用機器學習和人工智能算法來增強智能傳感器節點和網關任務配置文件，并拓寬異常檢測和分類的范圍。