根据世界银行的数据,2019年全球GDP为87.8万亿美元,而ARC咨询集团早前即估计全球制造业的停工时间每年约带来将近1万亿美元的损失,这是一大笔钱。换言之,减少停工时间将是工业物联网(IIoT)能够提供的行业最有吸引力的动能之一,对于如何通过结合无线、人工智能(AI)、机器学习(ML)等技术的工业物联网应用来达成此一目标,Silicon Labs(亦称“芯科科技”)工业物联网高级产品营销经理Mikko Niemi撰写本篇文章以分享其市场观点和分析,欢迎点击阅读原文或往下浏览完整内容。

 

为什么停工时间成本这么高?如何降低它?

预测性维护已被证明是一种经济高效的应用程序,可解决停工问题,并提供投资回报率来证明项目的合理性。根据业内相关机构针对物联网的分析预测,预测性维护市场将以39%的复合年增长率增长到2024年的235亿美元。

 

预测性维护之所以如此吸引人,是因为它同时解决了两个关键问题。如果机器或部件(如电机、泵和轴承)一直运行到发生故障,则会因故障对设备造成更大的损失。此外,还有工作人员花时间试图在现场获得更换零件,然后加班解决问题。所有这些都会增加计划外停工事件的最终成本,并导致生产损失。

 

另一方面,如果设备因为更换易损件太频繁或太早而过度维修,则停工时间也会因计划的服务中断太频繁而增加。在预测性维护中,算法使用从机器和部件收集的传感器数据提前警告操作员未来的故障状况,以便在故障发生前有充足的时间安排和计划维护。

 

预测性维修的关键注意事项

预测性维护解决方案通常依赖于检测电机、泵、轴承和其他运行工业和商业流程的设备的振动指纹中的异常。由于增加振动传感器的布线成本非常高,这些传感器通常利用无线通信和电池供电。

 

对于预测性维护解决方案开发人员,Silicon Labs的产品有一些独特的优势。产品包括业界领先的低功耗无线SoC和模块。使用内置的低功耗模式,传感器可以受益于快速唤醒时间以及平衡睡眠模式和活动模式之间的时间。这种电源优化转化为更长的电池寿命,这意味着最终客户的总拥有成本(TCO)更低,因为传感器在其使用寿命期间需要较少的维护。

 

为应用程序选择最适合的无线技术

部署预测性维护解决方案的环境在很大程度上有所不同。这就是为什么解决方案开发人员应该与像我们这样能够在多个频段支持广泛无线技术的通信专家合作的原因。对于更远距离的需求,Wi-SUN、Mioty或其他Sub-GHz选项更适合。工厂或工厂内的本地网络可以受益于蓝牙和网状技术,或者利用现有的双频Wi-Fi基础设施来连接传感器。

 

嵌入式AI/ML改变预测性维护的环境

人工智能和机器学习(AI//ML)已经从需要大量计算资源的云级应用扩展到可以在Cortex-M级微控制器上高效执行的应用。Silicon Labs的AI/ML合作伙伴已经开发出了一些工具,这些工具允许预测性维护算法仅在几千字节的RAM内存上运行。边缘预处理意味着可以关闭本地无线电,直到出现需要向后台系统和操作员报告的异常。这样可以进一步节省宝贵的电池容量以及提高TCO。

 

即刻展开工业物联网的应用开发

如果你想参与解决这个价值万亿美元的问题,一个很好的起点是探索我们的Thunderboard Sense 2评估套件(https://cn.silabs.com/development-tools/thunderboard/thunderboard-sense-two-kit)。该套件集成了无线通信和传感器阵列,包括加速度计和温度传感器,这是最常见的预测性维护应用。您还可以浏览我们的设计网络,寻找合作伙伴,他们可以帮助您设计在我们的无线SoC和模块上运行的解决方案。

 

最后,看看我们最近在Sensemore上的案例研究(https://www.silabs.com/solutions/case-studies/bluetooth-module-enables-worlds-smallest-wireless-accelerometer),它选择了我们预先认证的蓝牙模块作为其预测性维护传感器。这一决定让他们能够快速推进开发工作,并更快地进入市场。

  • Knowledge Base Articles