智能傳感器節點是工業物聯網的“煤礦中的金絲雀"，敏感地監測工業設備的振動、電流和電壓變化、溫度、聲音，甚至超聲波——對任何潛在的關鍵或故障產生發出警報。事實上，振動和超聲波是設備故障的兩個早跡象，發生在故障發生之前很久。壓電振動傳感器傳統上一直用于這些應用，但微機電系統 (MEMS) 傳感器正在取得進展，這要歸功于幾個好處。

振動傳感器

想象一下，我們有一個頂部安裝有振動傳感器的電機。根據振動的種類，可以預測在接下來的幾天或幾周內機器可能會發生什么類型的故障。例如，當其中一個葉片破裂或斷裂時，電機可能正在驅動風扇。這產生的振動將帶有一定的特征。

在另一種情況下，如果電機從其底座上松動，這將再次產生振動信號，但頻率和圖形形狀與破裂的葉片不同。如果對負載的外部撞擊導致電機和負載失準，則會顯示一個的簽名。齒輪嚙合和軸承問題通常會在振動數據中產生頻率。

壓電振動傳感器在很大程度上已成為此目的的技術。但是 MEMS 技術正在挑戰它們的普遍性。這個想法與其說是在現有用例中一對一地替換壓電，而是將 MEMS 傳感器用于大批量應用并降低監控工業機器的成本。這些節點可以提供高質量的傳感器數據，同時使用無線接口和云連接將數據傳輸給用戶。

MEMS傳感器在尺寸、重量和功耗上肯定比壓電傳感器要小，成本水平也低很多。MEMS 提供直接數字輸出，與數字微控制器主機結合使用。其他好處包括在高沖擊事件后快速恢復，對于非常緩慢旋轉的機器的頻率響應低至直流，以及感知多軸振動的可能性。

由于 STMicroelectronics 等供應商近在應用程序的硬件和軟件方面進行了創新，設計人員擁有了開發尺寸非常小且具有無線連接功能的電池供電狀態監測傳感器的工具。它們的每邊寬度可以小于 1 厘米，易于連接，并且在示例中，它們在部署后使用人工智能“學習"正在測量的內容。

IIS3DWB 振動傳感器

STMicroelectronics 的IIS3DWB加速度計是專為振動監測應用設計的 MEMS 傳感器示例。IIS3DWB的主要參數(見下表)滿足工業環境狀態監測的要求。

IIS3DWB 是一款三軸傳感器，具有從 2 g 到 16 g 的滿量程可選范圍，而電機監控傳統上需要高達 4 g 或 8 g 的滿量程。與主機微控制器的接口是數字 SPI 總線，通過這種方式，關鍵優勢 — 6.3 kHz @ –3 dB 的高帶寬 — 可以通過 26.7 kHz 的輸出數據速率實現。

IIS3DWB 的噪聲密度為 75 μg/√Hz，當通過設備寄存器僅啟用一個軸時，可以降低到 60 μg/√Hz。傳感器的電流消耗為 1.1 mA，使其適用于電池供電的應用。

其他傳感器特性是 STMicroelectronics MEMS 傳感器系列的傳統特性：大型 3-kB FIFO 緩沖器、可編程濾波器和中斷、嵌入式溫度傳感器以及用于生產線末端測試的自測試功能。工業環境的另一個好處是工作溫度范圍為 –40°C 至 105°C。它還附帶公司的 10 年壽命承諾。

以IIS3DWB為例，我們將研究用于狀態監測應用的振動傳感器的關鍵性能指標 (KPI)。我們會討論：

輸出噪聲

機械振動的寬而平坦的測量帶寬

帶外滾降銳利，測量期間無混疊

傳感器輸出的溫度穩定性

KPI 1：輸出噪聲

在小問題變大之前發現它們很重要。為了檢測機器振動曲線的微小變化，傳感器的輸出噪聲水平必須非常低。

下面的圖 2顯示了 IIS3DWB 過濾鏈的簡化版本，分為四個塊。從左側模塊(具有 7kHz 諧振頻率的 IIS3DWB 的機械傳感元件)開始，模擬信號通過高速 ADC 進入模擬前端。之后，數字信號通過一個截止頻率為 6.3 kHz 的低通濾波器 (LPF1) 進行濾波，一個模塊是一個復合濾波器，它允許額外的濾波和數字功能。

由于傳感器的機械特性、內部濾波和數字處理，傳感器的輸出噪聲密度達到了的值 — x 軸和 y 軸為 75 μg/√Hz，軸為 110 μg/√Hz z軸在三軸操作模式下。這轉化為非常低的噪音水平，同時感應所有三個軸的振動。

在單軸模式下，始終啟用三個軸中的一個，傳感器會改變內部采樣和濾波的操作方式。因此，單個激活軸的可實現傳感器分辨率顯著提高，x 軸和 y 軸的噪聲密度降至 60 μg/√Hz，z 軸的噪聲密度降至 80 μg/√Hz。

KPI 2：寬而平坦的測量帶寬下面的

圖 3顯示了 IIS3DWB 在低通濾波器 (LPF1) 輸出端的頻率響應，該頻率響應在 –3 dB 的 6.3 kHz 截止頻率處是平坦的。由于這種平坦的響應，產品不需要在應用處理器中進行校準或額外的濾波或均衡。

KPI 3：無混疊的急劇滾降

頻率響應特性的另一個重要部分來自圖 3中的 6.3 kHz 。您可以看到急劇的帶外滾降，每十倍頻程超過 90 dB。此外，對于 26.7 kHz ODR 以上的頻率，衰減高于 70 dB。，同樣非常重要的是，對于可能折回信號帶寬內的高頻信號，實現了超過 50 dB 的高衰減。急劇滾降和帶外高衰減消除了有害的頻率混疊現象，這可能影響振動分析的質量和可靠性。

KPI 4：傳感器輸出 的溫度穩定性

振動傳感器一個重要的關鍵性能指標是其靈敏度隨溫度漂移。IIS3DWB 的漂移在所有三個傳感器軸上都可以忽略不計，并且在 –40°C 至 105°C 的整個溫度范圍內與理想線性曲線的誤差保持在 ±2% 以內。同樣，這對狀態監控應用來說是一個好處，因為微控制器中不需要額外的校準或靈敏度補償。

注意：零重力偏移隨溫度漂移，傳統上對加速度計很重要，但對振動傳感器并不重要，因為不涉及直流分量。

由于其 KPI 值，IIS3DWB 傳感器可提供高保真振動數據。通過運行 FFT 算法，本地微控制器可以在時域或頻域中輕松分析此類數據。被監控設備中的任何異常都可以被檢測到。或者，可以將預處理的數據傳輸到云端進行后處理，以從大數據收集中受益。

評估工具和軟件

硬件 (HW) 和軟件 (SW) 工具對于狀態監測應用的實施也很重要。

在硬件方面，意法半導體提供STEVAL-MKI208V1K 評估套件。它包括一個小型方形板，可在產品開發階段輕松地將 IIS3DWB 傳感器集成到測試系統中。該板包含 IIS3DWB 振動傳感器和用于扁平電纜的連接器，套件中還包含該連接器以及 DIL24 適配器板。該板很容易通過螺釘、膠水或磁鐵連接到需要測量振動的地方。

另一個可用于評估 IIS3DWB 傳感器的硬件工具稱為 STWIN(Sensor Tile 無線工業節點)。STWIN 開發套件以塑料泡罩的形式提供，帶有可充電電池、帶安裝孔的塑料外殼盒和 ST Link 編程探針。開發工具包可以開箱即用，用于狀態監控應用程序，也可以由用戶在以后的應用程序開發過程中進行定制。

下面的框圖顯示了以 STM32L4、STMicroelectronics 的低功耗 Cortex-M4 MCU 為中心的 STWIN，以及幾個針對工業應用的傳感器。它還包括所有運動傳感器：IIS3DWB 振動傳感器、帶有機器學習核心的 ISM330DHCX 六軸慣性測量單元 (IMU)、IIS2DH 超低功耗加速度計和 IIS2MDC 磁力計。板載環境傳感器包括 STTS751 溫度傳感器、HTS221 相對濕度傳感器和 LPS22HH 氣壓計。還有兩個 MEMS 麥克風——具有模擬輸出和超聲波功能的 MP23ABS1 寬帶麥克風和具有可聽頻帶數字輸出的 IMP34DT05。

此外，還有 STMicroelectronics 的 BLE 通信模塊、用于無線藍牙通信的 SPBTLE-1S 以及 USB 和 RS485 收發器，以防 STWIN 用于有線工業應用。，如果應用程序需要它來確保數據保護，安全元件 STSAFE-100 的集成需要占用空間。有幾個擴展連接器——所有這些都受到 ESD 保護，以保證設計的穩健性。

提供三個軟件包。其中兩個，STSW-STWINKT01 和 FP-IND-PREDMNT1，目標傳感器數據記錄和時域和頻域的振動監測。第三個軟件包 X-CUBE-MEMSMIC1 包括用于麥克風數據采集和處理以及使用 FFT 進行超聲數據分析的項目。

STSW-STWINKT01 開發包專注于高速傳感器數據記錄，并允許以輸出數據速率記錄來自 STWIN 板上所有傳感器的數據，包括 ISM330DHCX 六軸機器學習核心的輸出IMU 傳感器。數據存儲在板載 μSD 卡或 PC 中，通過 USB 接口連接。可以從智能手機或 PC 配置和觸發數據記錄。

FP-IND-PREDMNT1專為預測性維護應用量身定制。它實現了振動信號的時域和頻域分析。時域分析評估每個傳感器軸的 RMS 速度和加速度峰值的狀態。頻域分析基于用于檢查振動頻譜的 FFT 算法。

這個包中有兩個例子。個示例需要一個 STEVAL-STWINWFV1 Wi-Fi 附加板。通過將此 Wi-Fi 附加板擴展連接到 STWIN，振動和超聲數據可以直接顯示在連接到 AWS 云的預測性維護儀表板上。該云服務 (DSH-PREDMNT) 可免費用于評估 STMicroelectronics 的傳感器。

第二個例子是允許類似功能的 STWIN 默認固件;但是，無線數據傳輸是由板載 BLE 模塊直接建立到移動設備的。借助 ST BLE Sensor 應用程序，可將傳感器數據和 FFT 結果顯示在移動設備上，該應用程序可安裝在 Android 和 iOS 平臺上。

結論

在現代工業工廠中，與過去使用的反應性維護類型相比，預測性維護可以節省成本。新設備以及對現有設備的改造利用強大的傳感器來測量和監控電機、風扇、泵等資產。利用多種類型的傳感器可以在數周甚至數周內進行異常檢測和分類在實際失敗發生前幾個月。