|
作者：伍爾特電子 在多年的發展之路上，工業用機械制造設施經過多次精細調整和高度優化。物聯網改造不僅有助于實現生產升級，還能推動數字化轉型，伍爾特電子 (Würth Elektronik)、FEGA & Schmitt 和 IAV 之間的合作便充分證明了這一點。 引入智能自動化可顯著改善生產環境，但傳統制造設備的缺點在于，它們沒有和現代化基礎設施進行通信的接口。那么，應該如何解決這個問題呢？最佳方案就是改造設備， 也就是采用物聯網解決方案，以非侵入性方式對現有設備進行更新或增加新功能/接口。通過對設備進行數字化改造，企業將能夠更深入全面地監測和優化生產過程，并提高生產效率。 三方合作進行概念驗證 作為開源概念的忠實擁護者，伍爾特電子攜手 FEGA & Schmitt 和 IAV，共同實施了工業切割機監測功能的概念驗證（見圖 1）。 
圖 1來自 FEGA & Schmitt 的工業切割機，配備監測功能。（資料來源：伍爾特電子） FEGA & Schmitt 負責項目構思，伍爾特電子提供連接和傳感元件，并與 IAV 聯合開發云基礎設施解決方案（見圖 2）。IAV 還提供數據分析和全面的系統集成服務。
圖 2 物聯網改造的概念和各個合作公司所扮演的角色。（資料來源：IAV） 我們的目標是為 FEGA & Schmitt 的客戶開發一款易于安裝的產品，可根據電流測量結果監測工業切割機、檢測利用率，并提前發現與切割工具相關的隱患問題。 在某些情況下，特定的運動組合會導致工具斷裂。通過識別該運動組合，可進行故障預測，從而大幅減少生產停機時間。同時，電流檢測還有助于測定設備利用率，將計劃流程化繁為簡。 在概念驗證期間，對產品安裝有嚴格要求，既不能干擾客戶的基礎設施，也不能導致任何生產停機。 客戶可從成品中獲得全面的系統可用性信息。使用傳感器和人工智能驅動的數據評估進行預測性維護，是 FEGA & Schmitt 產品的一項關鍵特性和差異化優勢。 利用 FeatherWing 板進行原型設計 FeatherWing 板是一組具有不同功能的可堆疊原型開發板。伍爾特電子推出了一系列 FeatherWing 開發板。這些開源開發板與 Feather 板的外形尺寸完全兼容，包括傳感器翼板、伍爾特 Pro-Ware 無線連接、Wi-Fi 和各種電源。GitHub 上有一個涵蓋各種開源電路板的資源庫[1]，包括它們的原理圖、BOM、軟件以及 Azure 和 AWS 的云連接說明。 加速度測量 Sensor FeatherWing 板（見圖3）用于創建初始數據點。由于加速度與切割機刀頭的運動密切相關，因此加速度傳感器適用于監測刀頭運動。
圖 3 伍爾特 Sensor FeatherWing 板。 （資料來源：伍爾特電子） 伍爾特 Sensor FeatherWing 開發板搭載四個傳感器。除了外形尺寸和 Adafruit Feather 板相同外，它還兼容 Sparkfun 的 QWIIC-connect，后者提供標準的 I2C 接口，并兼容 STEMMA QT 和 Grove/Gravity。 通過 LTE-M/NB-IoT 實現連接 可以通過兩種不同的方法構建網關/云連接。使用支持 LTE 連接的工業微型電腦——樹莓派 (Raspberry Pi)，在整個模型生成階段將大量數據發送到云端進行頻譜分析。在創建模型后，將連接切換至伍爾特 Adrastea-I LTE-M/NB-IoT 模塊，可顯著減少網絡流量，從而降低成本。這兩種方法都已在云連接生產環境中進行了測試。 使用 Thyone-I Wireless 2.4GHz 專有射頻模塊，將該節點通過網關連接到云端。為安全起見，云連接網關使用 TLS 協議，而節點采用類似方法，一端為安全元件（來自 Microchip Technologies 的 ATECC608A-TNGTLS），另一端為云密鑰庫。通信參與者、節點、網關和云之間的所有連接都受到加密保護。 具體實施 振動測量。在這種情況下，MEMS 三軸加速度傳感器 WSEN-ITDS 用于檢測切割機臂的運動（見圖 4）。
圖 4 使用加速度計測量振動。（資料來源：伍爾特電子） 電流測量。電流測量必須以非侵入性方式進行，即不能干擾受監測的設備。為此，我們使用了 WAGO 鉗式電流互感器 855-4101/400-001 和 SparkFun ACS723 霍爾傳感器分線盒（見圖 5）。使用霍爾傳感器的優點是：受檢測的電路和讀取傳感器的電路相互隔離。
圖 5 使用霍爾傳感器測量電流。（資料來源：伍爾特電子） 連接方案。在概念驗證過程中，我們采用了兩種連接方案。在最初的數據采集階段，由于需要大量數據來驗證設備行為，因此使用了兼容 Linux 版工業物聯網樹莓派的網關。對于云端，則使用 Node-Red 和 Grafana 創建了用于實時數據監測的可視化界面。此外，還對時間流數據進行了分析，并通過機器學習來識別趨勢和模式，并自動識別和標記相似的過程模式（見圖 6）。作為過程統計的基礎，這些數據可用于各種業務用例，包括過程監測、質量保證和預測性維護等。
圖 6 利用機器學習分析數據以識別模式。自動識別并標記相似的過程模式。（資料來源：IAV） 真實環境測試 在實際測試過程中遇到了諸多挑戰，如：因制造車間中的距離和各種射頻源導致的數據丟失、可堆疊板和電源的持續移動，或移動不足等。 加速度傳感器安裝在切割機臂上，附近沒有任何電源。解決方案是用太陽能電池板給電池充電。各相電流傳感單元由鉗式電流互感器和霍爾傳感器組成。該組合中的兩個傳感器由伍爾特電子進行校準。 這個用例表明，使用開源標準進行原型開發可獲得出色的靈活性，有助于加快方案實施。 作者簡介 Adithya Madanahalli，物聯網工程師，任職于伍爾特電子的無線連接和傳感器業務部門。 Miroslav Adamov，物聯網解決方案高級架構師，曾任職于伍爾特電子。 Jan Gieseler 博士，數據科學家，任職于 IAV 柏林總部。 Bernd Grimm，FEGA & Schmitt 工業與設施項目管理負責人。 Eduard Richter，FEGA & Schmitt 大客戶技術經理。 |
