预防性维护利用历史数据来预测某个零件何时可能出现故障，以便提前进行更换，但昂贵的零件可能在它们的使用寿命尚未完结时就被更换。零件可能过早失效，因此计划外停机仍然时有发生。对于建筑物中的供暖、通风、空调和制冷 (HVACR) 系统而言，这意味着办公室的工作人员会感到不便或无法开展工作。这对医院等建筑物来说可能会更加糟糕，因为 HVACR 对确保正常运营至关重要。
预防性维护能够实时了解每个关键部件的运行情况，并能准确预测何时需要更换。这种新的预测性维护方法可利用全面覆盖的状态监测传感器和处理数据的生态系统实现“智能”。
预测性维护 – 定义
一直以来，维护工作就是检查机器是否正常运转，清洁机器，并在机器出现故障时更换零件。这种情况随时都有可能发生，而在故障修复期间，生产不得不停止。这种计划外的停机时间可能会造成巨大的破坏和损失。
预防性维护解决方案是计算出每个部件的平均寿命，也就是故障前平均时间 (MTBF)。这样就可以制定更换零件的计划，以便在达到 MTBF 之前更换零件现在，根据预计发生故障的时间，确保停机时带来的影响最小。
然而，这个解决方案并不全面，因为零件出现故障的时间可能早于预期，因此仍然可能出现代价高昂的计划外停机时间。这种方法还有一个缺点，就是当零件还能正常工作，且具有足够的使用寿命时，就可能被更换，这是一项不必要的成本。
通过实际了解故障将在何时发生，从而提前采取补救措施，就可以解决这两个问题。这就是预测性维护。预测来自传感器对关键部件性能的实时数据。这与智能相结合，识别何时开始出现问题，以便在方便的停机时间进行修复。因此，零件只有在必要时才会被更换，从而解决了第二个问题。
天气预报与维护计划之间的类比
• 传统维护是今天要出去散步。如果下雨，就购买一把伞撑起来。
• 预防性维护是查看历史记录，看看一年中的这一天通常是否下雨。如果通常会下雨，那么今天就购买一把伞，但实际上可能不会下雨。
• 预测性维护是收集一段时间内各地方的数据，从而准确预测是否会下雨。只有预测到下雨，才会购买一把伞。
挑战和前提条件
继续以天气作为类比，由于有更多的数据点，多年来天气预报的准确性已有所提高。此外，计算机算法变得更加精密，预测效果越来越好。因此，预测性维护也是如此，能够收集到的数据点越多，系统就越能了解发生了什么，从而给出更准确的预测。
在实际应用中，这意味着在关键部件上安装传感器，以收集部件的实时状态和性能数据，即状态监测。这些配备传感器的部件也被称为物联网 (IoT) 版本器件。根据预测，物联网的发展空间巨大，但直到现在，其增长速度仍然没有达到预期。这是因为，所需的传感器要以合适的价格在小型封装中提供所需的性能，以便能够大量使用。Infineon 通过其 XENSIV™ 系列同类最佳传感器解决了这一瓶颈，这些传感器在小型坚固的封装中为性能和低功耗设定了新标准。它提供广泛的产品系列，可满足所有通常所需的传感器类型，为构建预测性维护和状态监测解决方案奠定了基础。
XENSIV™ 传感器系列
• 用于监测室内空气质量的 CO₂ 气体传感器 - XENSIV™ PAS CO₂
• 用于空气流量测量的气压传感器 - XENSIV™ DPS368
• 用于噪声异常检测的微机电麦克风 XENSIV™ IM69D130
• 用于检测错位的电机和压缩机的 24 GHz 雷达和 3D 磁传感器 - XENSIV™ BGT24LTR11 和 XENSIV™ TLI493D-A2B6
• 用于电机和压缩机的电流传感器 - XENSIV™ TLI4971
• 用于振动监测的霍尔效应磁传感器 - XENSIV™ TLE4997E2
作为对传感器系列的补充，Infineon 提供用于数据处理的微控制器，可选择集成 Wi-Fi 或蓝牙连接，同时还提供 OPTIGA™ Trust M 安全控制器 IC，可供设备进行高度安全的云端访问。
此外，越来越多的产品内置了性能监测功能，如 Infineon 的智能数字电源以及 iMotion 类产品中的电机控制解决方案。这些产品生成的数据可用于预测性维护。
收集数据
第二个挑战是能够实时处理大量的数据，以识别任何偏离正常参数的苗头。输入的数据集越大，分析算法越精密，预测性维护的可靠性和准确性就越高，因此也就越能节约成本。
这种海量的数据管理需要边缘处理，即把来自各种传感器的数据汇集到微控制器中，以便将原始数据处理成智能信息。然后，这些信息被送去进一步处理，以对部件的状态做出决策。Infineon 提供专用于此任务的微控制器（如 XMC4700），并具有安全性，以保护从边缘到云端的数据。这款基于硬件的安全 IC 被称为 OPTIGA™ Trust M，可提供身份验证，并具有多帐户注册功能。
生态系统概述
为帮助进一步提升预测性维护解决方案，Infineon 与 Amazon 旗下的 Amazon Web Services (AWS) 合作，提供云服务来处理和分析收集的数据。此外，它还与 Klika Tech 合作，Klika Tech 是一家物联网服务提供商，支持客户将智能和云服务整合到他们的产品中。
图 1：智能建筑技术的价值链 – 一个复杂的生态系统
评估套件
这为客户提供了一个简单易用的起点，让他们了解如何轻松地使用这三家公司的集成解决方案，为他们想要开拓的市场创造自己的产品。客户可以专注于为他们的目标市场创造特定解决方案的增值部分，因为他们知道构成预测性维护解决方案价值链基础的关键领域已经得到处理和解决。
该套件有一个适配器板，可提供参考设置，以便评估各种不同的配置，并包含气压和温度、磁电流和霍尔或微机电麦克风传感器，以及其他所需的传感器。
该板采用 Infineon XMC4700 微控制器，运行 FreeRTOS 软件框架和 OPTIGA™ Trust M 高端硬件安全解决方案。此外，还包括一套基本的软件，用于处理数据的收集、预处理，然后将其发送到 AWS 云端进行全面处理。因此，该套件为实时、边缘到云数据管理的测试解决方案提供了一个平台。
图 2：Infineon 评估套件
HVACR 的预测性维护 – 工作示范装置
供暖、通风、空调和制冷 (HVACR) 是适合在建筑物内进行预测性维护的绝佳例子，因为设备故障会导致严重的问题和高昂的成本。为演示这种系统的工作原理，Infineon、Klika Tech 和 AWS 利用便携式空调设备创建了演示装置。状态监测可以实时检查压缩机、电机、风机等关键部件的状态，以便立即检测到任何异常情况，并执行预测性维护。在这种情况下（图 3），冷风机、热风机和压缩机的当前气流受到监测和处理，以提供一个易于阅读的仪表板，该仪表板通过使用气压传感器进行气流监测，以提醒任何异常情况。
图 3：HVAC 演示装置（右侧）以及用于状态监测的实时传感器数据（左侧）
布满灰尘的空气过滤器示例
Infineon 气压传感器可以监测 HVACR 系统中的空气流量。图表显示，空气流量正在缓慢下降，因为空气过滤器越来越堵塞。在对电机造成压力之前，需要清洗或更换过滤器。这比单纯的定期更换或清洗过滤器要准确可靠得多。它可以检测实际的灰尘积累量，而灰尘积累量每天都可能有很大的变化，因此可以用来调整维护方案，只在实际需要的时候才进行维护，从而节省成本。
图 4：由于过滤器堵塞，HVACR 中的空气流量随时间的推移而下降
主要优势
- 预测性维护是一种基于数据的维护方案，通过传感器的监测功能，将设备的实时状况考虑在内
- 预测性维护有助于在早期阶段检测和修复建筑物内设备的故障，并使用先进的分析技术在故障发生前进行预测
- 预测性维护可减少停机时间和维护成本
- 预测性维护可提高建筑物运营的透明度
- 预测性维护可改善所提供的增值服务（如维护）
一般应用
• 智能楼宇
相关文章
技术文章：预测性维护如何通过将“智能”融入智能建筑来降低成本和提高可靠性
查看更多 Infineon 的产品
参阅相关产品
参阅相关产品
参阅相关产品
参阅相关产品
参阅相关产品
参阅相关产品
参阅相关产品
参阅相关产品
