虽然预测性维护已成为减少重要生产设备停机时间的关键技术，但它也面临着挑战和成本。最近，Polyn Technology宣布推出VibroSense，一种新的神经形态IC，旨在解决这些问题。

上周，All About Circuits工程总监Dale Wison在汉诺威展览2023的展位上与Polyn会面，这是一场工业控制和自动化行业的大型贸易展。Polyn将此次活动作为VibroSense的首次公开亮相。

 

这段来自Polyn的YouTube视频解释了VibroSense神经形态前端芯片的工作原理。

 

在本文中，我们将探讨预测性维护及其相关挑战。我们还将讨论Polyn的新解决方案，并分享Dale在汉诺威展览上与Polyn营销和业务发展副总裁Eugene Zetserov的采访中的观点。

 

预测性维护

预测性维护是一种积极主动的设备维护方法，利用传感器和数据分析来预测和预防设备故障的发生。通过监测和分析来自各种传感器（如振动传感器和声学传感器）的数据，预测性维护可以检测设备行为的变化，并在潜在问题导致重大问题之前提醒维护团队注意这些问题。

 

Predictive maintenance is a new paradigm in equipment maintenance.

预测性维修是设备维修的一种新模式。图片由Tibco提供

 

为了实施预测性维护，传感器安装在被监控的设备、车辆或其他资产上。在大多数情况下，预测性维护是一种基于云的服务，这意味着传感器不断收集数据，并将其传输到本地服务器或云进行存储和分析。然后使用机器学习（ML）算法对这些传感器收集的数据进行分析，以识别模式、异常和潜在的设备故障。

基于振动的状态监测是预测性维护的基本类型之一。这里，振动传感器被用作检测机器故障的主要手段。在这种情况下，可以使用各种测量技术来测量不同类型的振动，如位移、速度和加速度，包括压电传感器、微机电传感器和其他技术。

 

预测性维护面临的挑战

虽然预测性维护是一种非常强大的工具，但实施预测性维护的成本可能很高。预测性维护的一个主要挑战是它通常依赖于云计算。由于ML分析依赖于云，因此需要将机载传感器产生的所有数据传输到云进行存储和处理。

 

Predictive maintenance often relies on cloud computation.

预测性维护通常依赖于云计算。图片由SenseGrow提供

 

当然，传输系统传感器产生的大量数据会对系统造成很大的损失。在与云之间的数据传输相关的功耗和延迟之间，预测性维护最终可能导致运营费用（OPEX）的增加。因此，实施预测性维护的成本可能会使一些公司望而却步。

 

VibroSense启用常开传感器

Polyn将VibroSense定位为一种集成电路，用于实现基于低功耗振动的预测性维护解决方案。VibroSense是一款神经形态模拟信号处理（NASP）设备，依靠神经形态前端（NFE）提供始终在线的传感器级解决方案。

在高水平上，VibroSense致力于在边缘执行信号处理，从而芯片可以从振动传感器的原始信号输出中检测出独特的模式，以确定有用信息的可能性很高的区域。

通过VibroSense中的嵌入式神经形态计算引擎，该芯片将振动传感器的输出作为输入，对数据进行分类，寻找可能与预测性维护相关的信号，并将这些信号传递到云端。

 

VibroSense decreases the amount of data transmitted to the cloud.

VibroSense减少了传输到云端的数据量。图片由Polyn提供

 

VibroSense解决方案只将相关数据传输到云，而不是传统的始终在线的预测性维护方法，即所有数据都从传感器发送到云。通过这种方式，VibroSense显著限制了预测性维护系统的功耗和带宽要求。

根据Polyn的说法，VibroSense可以帮助将传输到云端所需的数据量减少1000倍。该芯片本身在作为常开解决方案运行时仅消耗100µW的功率，从而实现了异常低的总体功率系统。

 

深入了解NASP技术

神经形态模拟信号处理（NASP）技术可以用于许多类型的一维数据，通常是时间序列。泽采罗夫认为，他们的“薄边”模拟人工智能处理正在为这些类型的应用“改变范式”。在汉诺威展览上，Polyn展示了VibroSense，用于旋转机械和电机振动的数据预处理。

模拟AI系统使用欧姆定律（V=I×R）来执行加权电阻元件对电流输入的乘法函数。来自模拟乘法的并行集合的输出被求和以执行累加。其结果是对常见的乘法累加函数进行了功率高效的模拟实现，该函数构成了DSP和GPU处理的基础。

所有ML训练都是使用模拟工具在数字领域中完成的。对模拟工具进行了调整，以模拟基于过程和单个设备变化的模拟系统的有效量化。

然后，他们的软件将数字模型编译为金属掩模布局，以便在硅中实现。虽然他说可以使用任何模拟CMOS工艺，但他们目前正在Global Foundries 90 nm工艺中实现该产品，并将22 nm作为未来迭代的目标。

根据Zetserov的说法，所有旋转机械都提供了类似的特征，因此它们可以将VibroSense的单一实现应用于不同的电机。他们可以通过相对低成本的金属掩模改变来改变神经网络的实现，以针对其他数据预处理应用。
 

At Polyn’s booth at Hannover Messe 2023, Eugene Zetserov explains the VibroSense output data map.

在Polyn位于汉诺威展览2023的展位上，Eugene Zetserov解释了VibroSense输出数据图。

 

泽采罗夫谨慎地指出，这是一个预处理器，可以大幅减少数据和功耗。高带宽振动传感器数据通过VibroSense进行人工智能推理。它不执行分类。

模拟输出然后通过数模转换器。低带宽数字输出然后通过数字串行外围接口向上游传送。

必须使用单独的系统，根据对单个旋转系统的测试，将结果分为好或坏。泽采罗夫接着解释说，每台机器可能都有不同的数字签名，这些签名是从VibroSense接收的。

 

还早但光明的未来

这家初创公司的业务发展尚处于早期阶段。根据泽采罗夫的说法，他们目前的部分工作重点是教育行业的三个不同部门了解他们的技术：

  • 离散传感器制造商
  • 传感器节点制造商
  • 系统集成商

Polyn相信他们有一个优越的解决方案，但要让行业相信未来是类似的，至少对这些类型的应用来说是这样，还需要一些时间。