无线状态监测可充分提升设备性能和使用寿命，从而提高工业及企业的生产率和盈利。

在工厂、生产设施和其他工业环境中，数以百万计的机器设备协助生产人们日常所需的各种物品，包括食品和药品，甚至是汽车和电脑。然而，即便是最好的机器也不可能永远运转，总会出现各种问题。当轴承磨损、马达过热等内部故障，或者湿度和温度等外部条件导致这些关键设备资产失灵，即使是短时间的故障，也会对企业造成严重影响。

例如，西门子人工智慧机器运作管理平台 Senseye Predictive Maintenance 在 2022 年发布的一份报告指出，大型工厂平均每月因机器意外停机导致损失25小时生产时间，而停机仅一小时，生产快速消费品工厂则平均损失39,000美元，汽车产业平均损失更高达200多万美元。根据德勤谘询公司表示，工业制造商每年因为非计画机器停机而造成的损失估计高达500亿美元。

这些统计资料显示，等待设备或机器发生故障後才进行维修，其实并不可行；然而，无故地盲目进行维修或更换也是行不通的。预测性维护为此提供了答案。

图一 : 西门子人工智慧机器运作管理平台 Senseye Predictive Maintenance（source：Siemens）

预防机器故障

预测性维护（传统上称为状态监测）并非新的概念，它至少可以追溯到 20 世纪 90 年代初，其目标是在维护活动最具成本效益时，在设备性能欠隹之前启动机器维护。在实际应用中，当机器运作状况达到指定的??值时就会发出警报，工程师仔细检查机器的状况，寻找缺陷，并在问题恶化之前加以修复。

这种方法具有极高价值。德勤公司声称，实施预测性维护平均每年可节省材料成本 5%至 10%；设备正常执行时间和可用性可提高 10%至 20%；整体维护成本可降低 5%至 10%；维修规划时间可减少20%至50%。根据麦肯锡全球研究院资料，基於工业物联网（IIoT）的预测性维护通常可将机器停机时间减少高达50%，将机器寿命延长 40%。

预测性维护带来的优势不仅限於制造业，几??所有依赖於有形资产进行服务或生产的行业都可以藉此获益。例如，电力公司可以采用预测性维护和监控工具来防止代价高昂的停电，避免造成巨大损失和混乱。

工业物联网推动预测性维护

在预测性维护的早期发展阶段，由於缺乏合适的感测器来收集资料，以及整理和分析资讯的运算资源很有限，因而难以实施这种维护。如今，由於 IIoT、云端运算、资料分析和机器学习（ML）技术的进步，预测性维护在中小型企业（SME）和大型企业中都很普遍。在上述西门子的报告中，约有四分之三的受访者将预测性维护视为策略性重点。

低功耗蓝牙等功能强大的低功耗无线技术使得感测器能够在由数百、数千或数万台设备组成的网路中收集资料。这些 IIoT 感测器可监控设备温度和振动、压力、气体水准和能耗等叁数，使服务团队能够更深入地预测设备的未来状态，并且在问题出现之前主动应对，防患於未然。

德勤在「预测性维护」定位档中指出：「资料是任何预测性维护引擎的动力。资料的品质和数量是分析根本原因和提前预测故障的限制因素。IIoT可以提供源源不断的『燃料』。感测器不断收集资料，然後通过闸道将关键资讯传回中央伺服器或云端进行分析。」

无线网路还具有其他优势，例如在危险环境、不建议人们前往和难以到达的位置中实现资产监控。无线网路还能够大大降低与预测性维护系统的安装、维护和性能相关的成本。

机器学习大展拳脚

建置每天都能产生数百万个资料点的无线网路是一回事，而如何及时了解所有资料并对问题需求做出回应，这又是另一回事。为了最大限度地降低传输大量资料的成本和能耗（其中大部分资料是平平无奇的），人们在网路内部通过称为边缘处理的技术来完成大部分的运算工作。这就需要大量的运算能力和记忆体、感测器融合以及越来越多的机器学习（ML）。

感测器融合是将感测器资料进行组合，这样所得到的资讯相比来自单独感测器的资讯具有更高的确定性（即更精确或更完整）。ML 是人工智慧（AI）的一种应用，允许电脑在没有直接程式设计或指令的情况下进行学习。ML 演算法从资料中学习，然後对未见过的资料进行推断，从而在没有明确指令的情况下做出决策。其结果是不断增强机器的能力和高度自主性。

边缘处理和感测器融合使得物联网设备能够对资料进行本地筛选，以确定哪些是普通情况的资料，哪些表明情况正在发生变化，应予以标记。通过添加 ML，边缘设备不仅能够检查资料是否超过预设??值，还可以推断（根据已知资讯对事物的未来状态得出结论）这些变化意味着什麽，然後采取相应的措施。

一个预测性维护相关例子是监测机器轴承的温度感测器。该感测器可使用ML模型来推断，例如轴承温度的逐渐升高仅仅是机器在预热，而无需担心；但轴承温度若快速升高，则表明可能出现润滑故障，并触发感测器在机械损坏发生前关断机器。

推进分析性预测维护发展

当今许多先进的 ML 模型都需要大量的运算资源和高能耗来执行推论。然而，如今大量的物联网连接设备虽然能够执行一些边缘运算和感测器融合，但却无法获取这些资源。

微型机器学习（Tiny Machine Learning）或 TinyML 就是解决方案。这项技术是ML的一个分支，它简化了软体，使基於微控制器的电池供电嵌入式设备（例如无线系统单晶片）也能够运行机器学习。

Nordic设计合作夥伴Edge Impulse提供TinyML软体，该软体可在Nordic的 nRF52840、nRF5340和最新的nRF54H20 SoC上运行。Nordic则提供一个应用程式，可使用在该公司的Thingy:53 IoT原型平台上训练和部署嵌入式ML模型。这款应用程式能使开发人员通过行动装置将原始感测器资料上传到基於云端的 Edge Impulse Studio，并通过低功耗蓝牙将完成了训练的ML模型部署到Nordic Thingy:53 上。

图二 : Nordic物联网原型平台可用於测试ML模型

这项功能促进了感测器的发展，例如采用Nordic nRF52840 SoC的Atomation Atom。该感测器可测量振荡以确定机器马达是否比昨天振动得更厉害，或监测温度以检查机器运行时轴承是否发热。每个Atom使用3.6 V锂离子电池可工作长达三年时间。

这些感测器在本地监控和处理资讯，而不是向中央系统发送源源不断的资料流。当超出??值或设备运行超出正常叁数范围时，资料会通过低功耗蓝牙无线连接发送到闸道。例如，Atom 设备可以确定并回答「设备是开启还是关断？」、「马达振动是否比昨天更大？」或「机器运行时轴承温度是否过高？」等问题。

Atomation执行长Steve Hassell解释道：「Nordic SoC是我们Atom产品的真正大脑，这个大脑必须接收原始感测器资料，将其转换为有用资讯，并且在严苛的射频环境中进行通讯之前做出独立的决策。」

下一步怎麽走？

预测性维护越来越多地使用由ML支援的自动分析技术。这将意味着减少人工叁与并获得更好的结果，但这也增加了对边缘运算能力的需求。Nordic已经预见到这一市场需求，因此推出了下一代短距SoC产品nRF54系列。

新型SoC整合了多个Arm Cortex-M33处理器和RISC-V辅助处理器，每个处理器都针对特定类型的工作负载进行了最隹化。通过结合嵌入式大容量非挥发性记忆体和RAM，nRF54H20 SoC为开发人员提供运行复杂的ML驱动型预测性维护应用所需的更多运算和记忆体资源。更妙的是，结合使用nRF54H20与Nordic的nPM1300等电源管理 IC（PMIC），能够实现超低功耗，延长电池寿命，降低维护需求并减少浪费。

图三 : Nordic nRF54H20 SoC支援TinyML，带来强大的运算能力和记忆体资源，得以实现预测性维护应用。

未来，由 nRF54H20 SoC等新一代SoC支持的预测性维护解决方案将更加灵活、高效和永续。这将推动所有类型机器的营运商充分发挥资产的潜力，同时延长使用寿命。在短短三十年间，预测性维护已取得了长足的进步。

（本文作者Lorenzo Amicucci为Nordic Semiconductor业务开发经理）