Matt Simms

Eaton

从系统核心到边缘，可以监测的泵、电机和流体状况遍布整个泵送系统。传感器可以检测到各种各样的状况。这些传感器会输出大量数据，但并不一定能告诉用户他们需要知道的信息。

在流体系统中安装一个电导率监测器，对流体的导电能力进行连续测量。在管道中安装一个流动传感器，测量该管段中流体的流动情况。在泵上安装压电加速度计，并监测电机的振动特征。在同一台电机上安装一个热电偶，检测电机外壳的温度。所有这些传感器会产生大量数据流，将数据堆积成山。

尽管在前面的示例中产生了大量数据，但来自任何一个传感器的数据流通常都不是决策所需的直接衡量标准。与感知相对应的、在状态监测中的一个关键术语是推理。为什么？电导率监测器所监测的就是电导率。流动传感器检测的是流体系统中某一部分的运动。振动传感器检测的是所安装电机部分的运动频率。

要对系统得出结论，需要综合评估多个数据流，并应用智能和推理。监测传感系统可以准确地告诉用户所处理系统中水的电导率。电导率对该水系统的用户有多大用处？用处不大。但是，如果能从原始数据中推断出水的纯度，那么电导率测量值就会变得非常有用。

结合数据可以增强推理结论的力度。如果系统中还有温度传感器呢？pH监测器？氧气传感器？监测浊度和总溶解固体的传感器？这些数据与最初的电导率监测相结合，就能对所处理系统中水的水质得出可信度较高的推断结论。

推理监测可以是关于模式的。将数据进行链接、合并和交叉连接，以建立一种“正常”模式，然后查找与正常模式的偏差。从一个平衡系统中的健康电机收集到的基线振动数据，通过不同频率和时间的变化，可以反映出流体系统中的正常运行状态。在相同工况下长期收集的电机电流数据，可以描绘出正常情况下的电气图景。泵下游管道中的长期流量数据也是如此。如果泵发生汽蚀，电机电流曲线就会发生变化。

电机振动在几个关键频率上出现峰值。流体流量从正常范围下降。所有这些偏差都能让用户推断出汽蚀的存在。不同的数据集将会得出泵转子可能卡住的结论，而从另一个数据集，用户可能会推断出他们的泵吸入口是干的。控制架构面临的挑战是识别这些偏差、识别异常、做出推断并采取行动纠正或保护系统。电机监测以确定电机健康状况是另一个成熟的推理领域。前面示例中收集的所有振动数据都只是数据，直到将其绘制成图表、图形、组合或比较后，才能提供关于电机状态的有意义的信息。

起初，它可能看起来只是一个频率图。然而，将这些数据与轴承温度监测、电机电源馈电上的电流传感器和排出管道中的流量传感器结合起来，就可以对电机得出智能和合理的结论，从而做出决定：是继续运行，还是脱机进行维修，以防止发生灾难性的故障。

人工智能（AI）和机器学习（ML）算法，非常适合这些数据流以及就系统得出结论和做出决策所需的推理分析。这些算法可以完善数据，识别和匹配模式，以组织决策基准并确定其优先级，提高系统输出的质量，同时还能对可能导致系统瘫痪的问题发出预警。

AI/ML过程的反馈信息很可能会为传感器的选择和布置提供决策依据，例如，将传感器向上游移动，以进一步开发系统状况的先行指标，从而提高系统响应速度。在系统中“向上游”移动并不总是指从泵的排出端移动到吸入端，以监测远离物理流出液流的情况。这可能意味着，除了在流出液流中安装监测器之外，还需要对泵的供电电源进行监测。电流传感器可以安装在电机的馈电端，是一种先行指示器，在流体环境发生变化之前就会发出参数变化的信号。

来自流体系统中传感器的数据以快速流的形式出现。监测到的参数只能告诉用户这么多，而推理是得出合理结论的关键，也是控制系统及时做出明智决策的关键。

作者简介：Matt Simms 在Eaton工作了25 年，拥有产品管理、产品开发和运营管理方面的经验。