3444
在多年的发展之路上，工业用机械制造设施经过多次精细调整和高度优化。物联网改造不仅有助于实现生产升级，还能推动数字化转型，伍尔特电子 (Würth Elektronik)、FEGA & Schmitt 和 IAV 之间的合作便充分证明了这一点。
引入智能自动化可显著改善生产环境，但传统制造设备的缺点在于，它们没有和现代化基础设施进行通信的接口。那么，应该如何解决这个问题呢？最佳方案就是改造设备，
也就是采用物联网解决方案，以非侵入性方式对现有设备进行更新或增加新功能/接口。通过对设备进行数字化改造，企业将能够更深入全面地监测和优化生产过程，并提高生产效率。
三方合作进行概念验证
作为开源概念的忠实拥护者，伍尔特电子携手 FEGA & Schmitt 和 IAV，共同实施了工业切割机监测功能的概念验证（见图 1）。
图 1来自 FEGA & Schmitt 的工业切割机，配备监测功能。（资料来源：伍尔特电子）
FEGA & Schmitt 负责项目构思，伍尔特电子提供连接和传感元件，并与 IAV 联合开发云基础设施解决方案（见图 2）。IAV 还提供数据分析和全面的系统集成服务。
图 2 物联网改造的概念和各个合作公司所扮演的角色。（资料来源：IAV）
我们的目标是为 FEGA & Schmitt 的客户开发一款易于安装的产品，可根据电流测量结果监测工业切割机、检测利用率，并提前发现与切割工具相关的隐患问题。
在某些情况下，特定的运动组合会导致工具断裂。通过识别该运动组合，可进行故障预测，从而大幅减少生产停机时间。同时，电流检测还有助于测定设备利用率，将计划流程化繁为简。
在概念验证期间，对产品安装有严格要求，既不能干扰客户的基础设施，也不能导致任何生产停机。
客户可从成品中获得全面的系统可用性信息。使用传感器和人工智能驱动的数据评估进行预测性维护，是 FEGA & Schmitt 产品的一项关键特性和差异化优势。
利用 FeatherWing 板进行原型设计
FeatherWing 板是一组具有不同功能的可堆叠原型开发板。伍尔特电子推出了一系列 FeatherWing 开发板。这些开源开发板与 Feather 板的外形尺寸完全兼容，包括传感器翼板、伍尔特 Pro-Ware 无线连接、Wi-Fi 和各种电源。GitHub 上有一个涵盖各种开源电路板的资源库[1]，包括它们的原理图、BOM、软件以及 Azure 和 AWS 的云连接说明。
加速度测量
Sensor FeatherWing 板（见图3）用于创建初始数据点。由于加速度与切割机刀头的运动密切相关，因此加速度传感器适用于监测刀头运动。
图 3 伍尔特 Sensor FeatherWing 板。
（资料来源：伍尔特电子）
伍尔特 Sensor FeatherWing 开发板搭载四个传感器。除了外形尺寸和 Adafruit Feather 板相同外，它还兼容 Sparkfun 的 QWIIC-connect，后者提供标准的 I2C 接口，并兼容 STEMMA QT 和 Grove/Gravity。
可以通过两种不同的方法构建网关/云连接。使用支持 LTE 连接的工业微型电脑——树莓派 (Raspberry Pi)，在整个模型生成阶段将大量数据发送到云端进行频谱分析。在创建模型后，将连接切换至伍尔特 Adrastea-I LTE-M/NB-IoT 模块，可显著减少网络流量，从而降低成本。这两种方法都已在云连接生产环境中进行了测试。 使用 Thyone-I Wireless 2.4GHz 专有射频模块，将该节点通过网关连接到云端。为安全起见，云连接网关使用 TLS 协议，而节点采用类似方法，一端为安全元件（来自 Microchip Technologies 的 ATECC608A-TNGTLS），另一端为云密钥库。通信参与者、节点、网关和云之间的所有连接都受到加密保护。
具体实施
振动测量。在这种情况下，MEMS 三轴加速度传感器 WSEN-ITDS 用于检测切割机臂的运动（见图 4）。
图 4 使用加速度计测量振动。（资料来源：伍尔特电子）
电流测量。电流测量必须以非侵入性方式进行，即不能干扰受监测的设备。为此，我们使用了 WAGO 钳式电流互感器 855-4101/400-001 和 SparkFun ACS723 霍尔传感器分线盒（见图 5）。使用霍尔传感器的优点是：受检测的电路和读取传感器的电路相互隔离。
图 5 使用霍尔传感器测量电流。（资料来源：伍尔特电子）
连接方案。在概念验证过程中，我们采用了两种连接方案。在最初的数据采集阶段，由于需要大量数据来验证设备行为，因此使用了兼容 Linux 版工业物联网树莓派的网关。对于云端，则使用 Node-Red 和 Grafana 创建了用于实时数据监测的可视化界面。此外，还对时间流数据进行了分析，并通过机器学习来识别趋势和模式，并自动识别和标记相似的过程模式（见图 6）。作为过程统计的基础，这些数据可用于各种业务用例，包括过程监测、质量保证和预测性维护等。
图 6 利用机器学习分析数据以识别模式。自动识别并标记相似的过程模式。（资料来源：IAV）
真实环境测试
在实际测试过程中遇到了诸多挑战，如：因制造车间中的距离和各种射频源导致的数据丢失、可堆叠板和电源的持续移动，或移动不足等。
加速度传感器安装在切割机臂上，附近没有任何电源。解决方案是用太阳能电池板给电池充电。各相电流传感单元由钳式电流互感器和霍尔传感器组成。该组合中的两个传感器由伍尔特电子进行校准。
这个用例表明，使用开源标准进行原型开发可获得出色的灵活性，有助于加快方案实施。
