从安装、使用到赋能，用AI能力实现工业电机的全方位预测性维护，已经如此简单

讲到AI的赋能，好像是个很大的课题。虽然现在讲AI已经在一些边缘端落地，实现了垂直应用的赋能，但对于工业类用户而言似乎仍存在着一些AI认知和应用技术门槛。从上层的算法、软件优化，到设备端的硬件优化，再到应用端的设备安装调试。即要求对于算法有一定的理解，又要接受软件的学习成本，设备安装接入还有一系列的不确定性和现场问题。

但反过来思考，本不该如此！AI应该是降低门槛的才对！其实AI对于用户，哪怕是工业客户而言也不应该成为一个难以部署的事情，并且不应该只存在于新兴的产线设备中。应该是用更高的AI能力来覆盖掉所有的这些问题，但同时不打折扣实现轻松、准确、高效的体验，而且能够在哪怕是很传统的工业设备上也能够赋能。

谁思考到了这个痛点？（很多人）谁来做这个事情？（很多人想做）谁能够做好这个事情？（ADI给出了答案）

为什么是ADI，不是算法厂商、软件厂商和设备制造商？这就涉及到了端侧AI的一些特点：高度的软硬件耦合，深刻准确的应用场景理解，基于端侧硬件能力的高效算法等；而吻合了所有这些的，就是ADI。当然ADI的传感器IC级别能力是其传统优势，应用层面的能力则来自于近年来的专注布局，包括先后对于Otosense和TestMotors的收购等。

近日，ADI在2023第十七届北京国际电机工业展览会上，展出了一款电机预测维护产品。这里的产品，不是器件（Parts），而是真正的具备完整外壳形态、高度完整的包含了即用软件的意义上的产品。或者我们可以叫它是一个解决方案，但它不是所谓的demo级别的、板级的Solution，而是对于工业客户而言，或许也可以将其称为是一个设备。

我们也有幸在现场采访到了ADI OtoSense SMS产品线系统应用经理霍斌博士，霍博士针对电机预测性维护相关内容进行了深入分享。

图：ADI OtoSense SMS产品线系统应用经理霍斌博士

简单安装，即可实现9大类故障精准预测

这款电机预测性维护的产品全名叫做“ADI OtoSense 智能电机监测传感器”，是一个基于人工智能的、完整的硬件和软件解决方案，用于基于电机状态的设备监测。有几大特点：产品外型简单、安装非常简单、无需人工调试、直接告知用户故障类型/位置同时适用电机参数广泛。

首先它的产品形态非常简单，是一个封闭的橙色小方盒子。它的安装也非常简单，无需电机停机，可以垂直或水平的方式贴在电机外壳上，或直接通过紧固件钳在电机的散热鳍片上。

该方案无需外接电源，而是通过内部的4颗5号电池供电，续航可以达到一年以上。

该方案也不需要接入客户的工业网络，而是通过内置的2.4GHz WiFi直接与手机或电脑进行通信。

安装好之后，客户只需要将其与手机端的APP进行连接，然后输入电机铭牌上的参数之后，就不需要任何的人工干预了。该传感器方案就会进入自动学习的过程中，通过一周左右的学习时间，抓取到该电机在该产线上的工作状态，识别其在各种不同的工作负载下的电机正常参数，自动生成适合该电机的算法模型。

因为是采用了AI的自学习的方式，在ADI预先设置的标准的电机模型基础上，来进行每一个特定电机的特定模型生成，所以在安装、调试、和使用方面非常简单。首先该方案对于安装的位置没有特定要求，特别是对于电机没有任何一致性的要求，不论是客户的全新产线的全新电机，抑或是已经已经已经工作了多年的各种不同参数（300w～500kW）、不同新旧程度的电机，都可以实现准确的状态监测和预测性维护。

具体到可预测和检测的故障类型，一共是9大类常见问题，分别是供电系统、定子绕组、转子、电机轴平衡、偏心率、轴承、轴对中、冷却系统和固定螺栓九大类。这九大类故障覆盖了电机工作的各种内部外部电气和机械故障。

从内部硬件设计来看，为了实现准确的电机状态监测功能，ADI在其传感部分非常下本，采用了5个ADI自研传感器，包括2个振动传感器、2个温度传感器和一个磁场传感器。振动传感器可以用于电机振动特征的捕捉，是判断电机故障最为重要的传感数据来源；磁传感器一方面检测磁场获得电机速度信息，另一方面通过高频检测实现对于电机电源系统的故障检测；温度传感器则主要用于电机温度和散热风扇工作状态等检测。通过5个传感器的数据融合，叠加AI算法从而实现了九大故障类型的识别。

据霍博士介绍，传感器部分均来自ADI自己设计生产制造，传感器采集的数据会通过Wi-Fi无线网络上传到云端，所有的数据处理都在云端进行，数据处理的结果可以及时返回给用户。一旦数据处理结果中发现电机故障，系统就会将诊断结果发到PC或手机端平台来显示。平台的界面中会显示一个电机的爆炸图，不论是哪个部件出现异常都会变成红色，并且有声音报警，来进行直观地故障展示和提醒。

电机预测性维护的价值，不仅仅在电机上

据了解，此次SMS方案主要针对低电压、三相异步交流电机，是一种通用型的方案。虽然这类电机，尤其是一些已经运行了很久的电机，自身的价值并不高，但一旦出现故障造成产线暂停，则会造成巨大的损失。

据霍博士介绍，该方案主要针对低电压、三相异步交流电机，并不是因为技术原因而逝处于市场考虑。因为这一类电机在市场的应用率最高，量也最大。这里面客户用不用电机预测维护的产品，不取决于电机的价值，而主要取决于应用的需求。比如说有些钢铁厂传输带不能接受意外的停机，意外停机钢水一凉整条线都停了。所以对这类的应用来说电机本身的价值并不大，但电机一旦出现故障就会造成很大的经济损失，预计钢铁厂、物流中心、机场等等很多地方都有这类应用需求。

此外，像矿山现在对智能监测也有着刚性需求，井下和井上的设备、通风系统等等，里面用到大量的电机，慢慢都要使用到这种智能化的监测系统。而在像风机、水泵等应用领域，采用传统的定期检修的方式很难，也就更有必要采用智能化的检测方式。

另外，SMS虽然检测的是电机的振动数据，但其实也能够间接推测出电机所在的产线或相关机械结构的问题。例如在正常的工作特征数据之外，检测了异常，但又不属于9大类的故障，则可以推测出是电机周围的机械结构出现了问题。例如在风机上可能是齿轮箱中的问题，在产线上可能是产线传动机构问题等等。虽不能给出准确结果，但能够提前给出预警信息也具备很高的价值。

简单和精准的体验，来自强大的电机AI算法

为什么安装如此简单，也不需要复杂的调试，就能够获得精准的检测效果？这得益于ADI的电机AI算法与精准传感器的配合。

据霍博士介绍，一方面，参与该款产品的研发工程师都在电机领域工作了很多年，该产品收集了大量的电机数据，在实验室里针对每个故障做了很多分析，在这些工作的基础上建立的数据模型。

ADI采用的是非监督型算法，相比监督型算法，不需要对数据进行标签。市场上目前很多厂商采用监督型算法，这种算法生成需要事先做实验，模拟各类故障，分析得到的数据。问题在于现场的数据并不容易获得，例如正在运行的电机很难去模拟一个轴承故障。

而ADI根据对电机的研究积累，知道每一类的故障其所对应的影响电机振动频率的频谱分段在哪里，如果这段频率的振动分量发生变化，那就可以判断出是哪一类故障，ADI在这方面有深厚的积累。

另一方面，ADI的AI算法几乎没有人工参与。有些厂商虽然也是人工智能算法，但它的系统安装需要工程师到现场，根据试运行的状况人工设置一些参数。而ADI产品并不需要这些繁琐的步骤，可以适用于任何电机。一些阀值可以通过AI算法自学习过程来自动设置，这是该方案的重要优势之一，相当于整个流程都通过AI实现了全部自动化。

ADI OtoSense SMS的核心价值在其算法上，收费方式也是按年来收取服务费。在云上也对不同租户的数据进行了隔离，因此不需要担心数据安全的问题。但同时也可以开放API接口给到客户，客户可以将原始数据部署到自己的私有云、公有云，导入到自己的模型或者DevOps环节中去。

未来产品方向和独特生态价值

据悉，ADI OtoSense SMS还会继续升级，未来在传感器方面，可能采用更先进的振动传感器；在计算方面，也有可能在端侧的板上集成NPU之类的AI硬件加速器，实现一些算法的本地化处理。在通信方面，未来可能也会支持Wi-Fi6。

而且值得一提的是，ADI OtoSense SMS虽然看起来是一个独立性非常高的产品，但仍提供了生态价值。据霍博士介绍，ADI OtoSense SMS实现了对于电机全生命周期的状态监测，这些数据对于电机厂商意义重大。在电机使用客户、电机厂商和ADI三方认同的情况下，可以把客户允许的数据，反馈到电机设计厂商，从而帮助他们改善电机设计，优化售后服务。