智能传感器节点
边缘处理
状态监测 vs 预测性维护
状态监测 (CM) 可通过对设备振动和温度等多个参数进行监测来识别潜在的问题，例如偏离或轴承故障。一旦振动分析显示旋转设备部件的谐波频率发生了变化，状态监测工具便可绘制出设备性能下降的映射图等等。频率分析能够将振动计和麦克风数据作为基础。
连续状态监测技术可应用于压缩机、泵、主轴和电动机等多台设备，还可用于识别机器出现的局部排放或真空泄漏等问题。
预测性维护需要将状态监测、异常检测和分类算法作为基础，并利用集成式预测模型根据检测到的异常情况来估计机器的剩余运行时间。该方法可使用统计分析和机器学习等多种工具来预测设备的状态。
边缘处理的重要性
无论是设计智能传感器节点、配置运行在传感器节点和网关中的嵌入式软件，还是开发集成在云端或公司企业资源规划 (ERP) 系统中的软件，用户都需要运用多种技术和能力方可完成预测性维护。他们可以实施机器学习和人工智能算法，以确保及早发现技术异常并最大限度优化设备的正常运行时间。
智能传感器节点是预测分析的关键推动元素。这些节点会收集并记录经过预处理的安全数据，将其显示在可视化工具中并应用于其他处理算法。智能传感器节点还可通过减少计算延迟来处理数据并检测异常。例如，智能传感器节点可以检测到温度的小幅升高或突然升高，从而揭示可能存在设备问题或是在未来出现可靠性问题。
网关既可收集和处理来自多个智能传感器节点的数据，也可充当连接桥，以便用户利用以太网、Wi-Fi、蜂窝或LPWAN技术实现云端的安全连接。
边缘处理能够在智能传感器节点和网关之间组合并分配处理能力，从而在合适的时间向企业级系统发送正确的数据，以便其执行更高级的分析。边缘处理还可使用机器学习和人工智能 (AI) 算法来强化智能传感器节点和网关任务配置文件，并拓宽异常检测和分类的范围。
意法半导体状态监测和预测性维护系列产品
在工业4.0环境下，状态监测和预测性维护均属于能够为用户创造价值但又具有挑战性的应用。因此，意法半导体为远程监测部署了先进的IC以及由评估工具、软件、文档和在线仪表板构成的生态系统，并不断对其进行更新以适应工业需求。
微控制器和微处理器
基于STM32 Arm® Cortex®M4/M33/M7的微控制器和具有浮点功能的STM32 Arm® Cortex®-A7®微处理器系列能够处理边缘传感器数据。STM32Cube.AI工具链允许用户针对深度学习方法应用神经网络和机器学习。
传感器和惯性测量单元 (IMU)
意法半导体还可提供高性能且具有成本竞争力的传感器和惯性测量单元 (IMU) 并为其随附长达10年的供货保证（长期供货计划），其中包括加速计以及能够将振动分析由简单的成功/失败监测转变为基于频率的高精度数据分析的超声波模拟话筒。我们的系列产品中还包含了多种用于监测温度、湿度和压力的环境传感器以及先进的MEMS传感器，这些传感器中包含了经过优化，可以运行机器学习算法，并允许IMU与主机处理器共享数据处理信息的数字功能。
有线和无线通信解决方案
丰富的有线和无线通信解决方案能够使我们的产品组合更加完善，其中包括用于工业有线连接的IO-Link兼容设备；低功耗蓝牙 (BLE) SoC和网络处理器等一系列无线技术；以及支持LoRa、Sigfox和无需执照的ISM和SRD频带的LPWAN SOC和收发器。
异常检测和AI：离意法半导体智能传感器更近一步
精选 视频
