小缺陷可能会在工厂机器中造成巨大故障，同时增加能耗并减少利润。声学传感器可以在此类问题失控之前诊断机器的健康状况。
随着工业4.0的到来，制造商正在使用各种类型的传感器来收集有关资产健康状况的信息。这些指标为预测分析流程提供了信息，例如工作单生成和预测潜在的机器停机时间。
在将制造商的传感器数据集成到IoT平台中时，必须考虑部署的传感器类型范围。 一些最杰出的传感器可测量温度，电压，振动，电和湿度。本文提出一个问题：声传感器能否有效诊断机器健康？
我们经常根据是否能听到噪音来诊断机器的问题。人类只能听到20至22000赫兹的声音。然而，超出人类听觉范围的声音也会对机器健康产生有价值的见解。
光或超声波传感器问题
由于机器由相互磨削的运动部件组成，从而导致摩擦和噪音，因此可以通过声学方法检测到许多机器故障。由于可见光无法穿过资产组件，因此无法确定任何关键问题，因此此类机器无法使用可见光等其他手段。
超声波可以检测到轻微的声音，但它价格昂贵，并且需要在机器周围移动接收器和发射器（类似于医院中的超声波机器），因此超声波并不理想。
另外，工业操作员不喜欢侵入性解决方案。声传感器允许无创设置，并且对工作空间的侵入最小。
声传感器可以诊断机器健康吗？
结合预测算法，非侵入性声传感器可以在机器故障之前很久就检测到微弱的噪音。 可以进行频率分析来分析我们在没有传感器的情况下可能听到的轻微声像差的发生率。
实时检测声音的另一种方法是声相机，它拾取声波并以热成像方式（即在热图像中）可视化声波。 然后可以对这些信息进行算法分析，以确定故障的根本原因。 例如，在动力传输系统中，此类摄像机可以确定异常声音的特定点，并将其用于预测组件故障的早期阶段。在运送空气或液体的加压管道系统中，此类摄像机可以检测出维修人员视线之外的确切泄漏点。
可以通过将多个传感器放置在机器中的目标点并将它们连接到无线边缘设备来收集此声学信息，该无线边缘设备直接将数据传输并将其上传到云服务器，在此可以对其进行分析。结合资产管理系统和预测分析，可以提供对关键资产效率参数的详细了解。
机械可持续性的声学诊断
根据一些研究，高达40％的工厂能源成本可能是由漏气引起的。当电动机开始退化时，机器的整体效率会降低。为了弥补效率的降低，电动机会消耗更多的能量。这会导致额外的电力消耗和更高的电费。
利用超人声波传感器发现机械缺陷，制造商可以在这种破坏性循环开始前修复机器，在延长机器寿命的同时减少停机时间和电费。这可以为运营部门节省大量资金。例如，我们已经看到一些公司减少了10%的电力消耗。结合预测分析的途径，这些好处可以进一步提高。
考虑到上述所有优点，声学传感器和摄像机可以成为进行预测分析的强大工具。
