當前，諸如預測性維護和基于人工智能（AI）的預測模型等話題在機械工程設計領域吸引了普遍關注。然而，不少客戶對于可進行預測的內容并沒有確切的概念，而往往只關心監測設備和過程。

因此，倫茨在2019年紐倫堡SPS展會上，重點展示了如何不借助任何其他價格不菲的傳感器技術，實現智能狀態監測，從而提供有關機器和設備“健康狀態”的多方面信息。

狀態監測和預測性維護常常被視為同義詞，但事實上它們是兩個截然不同的概念。

預測性維護是對事件或事件概率的預測，例如在接下來的50個工時內，減速箱中發生故障的概率是否會上升至90％以上。這一預測可用于在機器或設備實際發生故障之前及時計劃減速箱的替換工作。

另一方面，狀態監測這一預期階段允許通過對可用數據的解讀，來更詳細地描述當前狀態。這要求對設備和工藝有較為深入的理解，才能從“基本”數據中生成有意義的信息。基于機器學習（ML）和AI的分析有助于更快識別異常。

無需借助傳感器技術

由于狀態監測提供的附加價值并不意味著更高的硬件成本，也不必借助其他傳感器，因而頗受OEM青睞。該解決方案的關鍵是從已然可用的數據源中提取附加信息值。倫茨可為各種應用提供經過預測試的算法，并幫助機械工程師將他們的工藝專業性和設備知識轉化為狀態監測模型，從而提高效率。

桁架機器人

作為自動化系統供應商，在此次SPS展會上，倫茨通過兩種不同的方法對上述理念進行了演示。第一種方法基于模型，即，通過將測得的實際值與預想的設備數學描述中的值進行比較，如果誤差超過一定的范圍，該設備就可被認定為發生了故障。可以通過檢測電流和轉矩絕對值的變化，以及實際值的頻率分析，來檢測異常。

另一種方法則基于數據。即，某種算法可習得系統的運行狀態，以及各種參數（例如速度、加速度、轉矩、位置和電流消耗）之間的相互影響，從而可通過將這些實際值與習得的描述進行比較，以定義偏差。

 此外，倫茨在此次展覽會上還模擬了主軸上摩擦和皮帶傳動磨損加劇等問題。無論是通過值的絕對增加，還是通過頻率分析中的異常，以上兩種情況均可通過電流和轉矩值來進行異常檢測。在上述兩種情況下，狀態監測都會引發警報，并在看板上顯示原因。

控制系統，還是云？

除了在概念上有所不同，以上兩種狀態監測方法涉及的數據評價方式也不盡相同。由于不需要過高的計算能力，基于模型的評價通常在控制系統中進行。用于基于數據的評價的ML和AI分析通常作為云應用實施。 

倫茨的產品組合可為OEM提供充分的選擇自由。這包括用于基于模型的狀態監測的許多不同的三維PLC。如果使用功能強大的c750柜式控制器，您也可在本地進行基于數據的評價。此外，您也可使用x500網關獲得連接至云的路由。如與x4平臺結合使用，機械工程師便可享受我們的交鑰匙型云解決方案，該方案不僅涵蓋狀態監測，還涵蓋設備的遠程維護和用戶友好型資產管理服務。 

結論

倫茨高效的狀態監測服務基于對現有信息的解讀，無需借助其他傳感器技術，而由設備上自帶的裝置充當傳感器。憑借其廣泛的自動化產品組合（包括硬件、軟件、網絡和云應用程序），以及在該領域積累的專業知識，倫茨能夠在數據解讀方面提供全方位的支持，并幫助OEM成為其設備的數據專家。 

關于倫茨

倫茨在運動控制領域擁有超過70年的經驗，從歷史悠久的減速機產品，到市場上普遍認可的智能驅動產品，到基于控制器的整體自動化解決方案，倫茨在各層級的產品上不斷踐行“意致遠，行至簡”的品牌承諾。倫茨的產品已經滲透到工業領域的各行各業，倫茨多年的經驗都轉化成一個個簡單易用的技術模塊。客戶的進步及成功，同時也帶動了倫茨運動控制技術的不斷進步。