Nå er den her! Vi har sett frem til å tilby kundene våre en løsning som inkluderer virtuelle sensorer – med utallige bruksområder. Mange av dere har etterspurt dette produktet, som nå er klart for lansering. Ved å bruke to eller flere fysiske sensorer og en formel som beregner forholdet mellom dem, kan du enkelt få ny innsikt i målepunkter av stor verdi for virksomheten. Her vil vi forklare hvordan og gi noen eksempler på bruksområder som illustrerer hvordan virtuelle sensorer kan brukes.
Introduksjon
En Neuron IoT-sensor er installert for å måle en verdi eller tilstand i den virkelige verden. Noen ganger gir ikke den målbare sensorverdien en klar forståelse av situasjonen, med mindre verdien blir omregnet eller sammenlignet med data fra andre sensorer.
En Neuron Virtual sensor bruker et matematisk uttrykk i kombinasjon med målinger fra en eller flere fysiske sensorer for å skape en mer meningsfull verdi for brukstilfellet. Neuron Virtual sensor kan visualiseres og brukes på samme måte som en hvilken som helst fysisk Neuron IoT-sensor. Grafer visualiserer hvordan verdien varierer over tid. Regler og varsler vil varsle brukere hvis verdien er over eller under brukervalgte terskler. Verdien til Neuron Virtual sensor kan overføres til hvilken som helst annen programvare for videre analyse, logging eller handling over forskjellige API-er.
Eksempel 1 – Temperaturforskjell
I noen tilfeller er ikke en høy eller lav temperatur en klar indikasjon på et problem, men en betydelig temperaturforskjell mellom to målepunkter indikerer et problem.
Temperaturforskjell kan overvåkes ved å bruke to Neuron IoT-sensorer for å måle temperaturer, og en Neuron Virtual sensor for å beregne temperaturforskjellen.
Formel for å beregne forskjell i temperatur:
- X = Temperatursensor 1
- Y = Temperatursensor 2
- Temperaturforskjell:
Denne funksjonen har blitt etterspurt av et sagbruk, som ønsker at deres båndsager skal kontrolleres bedre ved å overvåke temperaturforskjellen mellom tannsiden og baksiden av sagbladet. For å måle disse to temperaturene kan en Neuron Infrared 380-sensor brukes (https://el-watch.com/product/neuron-infrared-380/). Denne sensoren kan lese temperaturen til et objekt uten å berøre det, som er veldig praktisk for raskt bevegelige objekter som et sagblad.
Den faktiske temperaturen på sagbladet vil variere med omgivelsestemperaturen. Den vil også være høyere når sagen er i bruk, og enda høyere hvis sagen har vært i bruk en stund. Disse variasjonene gir ingen indikasjon på hvordan sagen yter. Derimot, hvis tannsiden av sagbladet har en betydelig høyere temperatur enn baksiden, er det sannsynlig at sagbladet er klemt av treverket. Over tid vil dette skade sagbladet. Overvåkning betyr at tilstanden kan oppdages, og tiltak kan bli utført før sagen bryter sammen.
Se også https://el-watch.com/use_cases/overvakning-sagblad-hos-hovlerier/.
Produktbrosjyre
Finn den perfekte løsningen
Eksempel 2 – Avvik fra gjennomsnitt
Hvis flere objekter skal ha lignende temperaturer, men den faktiske temperaturen kan variere med utetemperatur, prosesstrinn eller andre faktorer, er det nyttig å få en advarsel hvis et av objektene avviker betydelig fra gjennomsnittstemperaturen.
For dette brukes en Neuron Virtual sensor for å beregne avviket mellom hver fysiske temperatursensor og gjennomsnittstemperaturen til alle sensorer.
Formel for å beregne avvik i temperatur fra gjennomsnittet av tre sensorer:
- A = Temperatursensor 1
- B = Temperatursensor 2
- C = Temperatursensor 3
- Avvik fra gjennomsnitt:
Denne funksjonen har blitt etterspurt av et selskap som ønsker å oppdage lekkasje fra sine kryogene tanker. De kryogene tankene inneholder flytende nitrogen for svært lav temperaturlagring av produktene deres. Hvis en av tankene har en mindre lekkasje, vil produktene som lagres bli skadet. Det er ikke mulig å oppdage mindre lekkasjer ved å måle temperaturen inne i tanken.
En veldig liten lekkasje kan oppdages ved å måle temperaturen utenfor tanken, siden tanken med en lekkasje vil ha en lavere omgivelsestemperatur på grunn av nitrogen som lekker. Hver tank vil være utstyrt med en Neuron Temperature IP67-sensor (https://el-watch.no/produkter/neuron-temperature-ip67/).
Den faktiske lufttemperaturen utenfor tanken vil variere med vær og årstid. Hvis lufttemperaturen ved en av tankene er betydelig lavere enn ved de andre tankene, er det sannsynlig at denne tanken lekker.
Eksempel 3 – Målinger av duggpunkt
I noen bransjer er det viktig å overvåke duggpunkt for å forhindre kondensering, beskytte utstyr, og i visse bransjer er det avgjørende av sikkerhetsmessige årsaker.
Duggpunktet til en gitt luftmasse er temperaturen den må avkjøles til for å bli mettet med vanndamp.
For å måle duggpunkttemperaturen er en Neuron Humidity sensor (https://el-watch.no/produkter/neuron-humidity/), som måler både lufttemperatur og relativ luftfuktighet, nødvendig. En Neuron Virtual sensor kan beregne duggpunkttemperaturen.
Hvis et materiale med lavere overflatetemperatur enn duggpunkttemperaturen er til stede, vil vanndamp i luften nær materialet kondensere og danne flytende vann kjent som dugg.
Formel for beregning av duggpunktstemperatur:
- R = Relativ luftfuktighet i %
- T = Lufttemperatur i °C
- Duggpunktstemperatur (omtrentlig):
- M = Materialetemperatur i °C
- Avvik fra materiale til duggpunktstemperatur:
Denne funksjonen har blitt forespurt av et skipsverft som sveiser skrog som skal brukes av skip som skal til havs. For å levere skrog som kan operere trygt på sjøen i flere tiår, må sveiseledningen være av høyeste standard. Vann på sveiseledningen vil forårsake en forringelse av kvaliteten på sveiseledningen, og dermed også på sveisingen og skrogene.
Hvis temperaturen på sveiseledningen alltid er lik lufttemperaturen, vil det ikke være dugg. Imidlertid, når lufttemperaturen i lagringen øker, kan det ta en stund før sveiseledningen har nådd samme temperatur. I slike situasjoner kan temperaturen på sveiseledningen være lavere enn duggpunkttemperaturen, og dugg vil forekomme.
En Neuron Humidity sensor brukes til å måle lufttemperaturen og den relative luftfuktigheten, og disse parameterne brukes til å beregne luftens duggpunktstemperatur på stedet. En Neuron PT100 Surface Patch-sensor (https://el-watch.no/produkter/neuron-pt100-surface-patch/) brukes til å måle overflatetemperaturen på sveiseledningen.
En virtuell sensor vil bli brukt til å beregne avviket mellom materialetemperaturen og duggpunktstemperaturen. Den virtuelle sensoren er konfigurert til å gi varsler hvis dette avviket går under 0°C, noe som betyr at dugg vil forekomme. Dette varselet indikerer at tiltak eller analyse er nødvendig før denne sveiseledningen brukes. Neuron-systemet, som lagrer all data fra fysiske og virtuelle sensorer i skyen, vil også gi den nødvendige dokumentasjonen for at kvalitetsstandarder med hensyn til overvåking av duggpunkt er oppfylt.
Klar for å prøve trådløse sensorer?
Eksempel 4 – Tankvolum i horisontal sylindrisk tank
Det finnes flere måter å måle fyllingshøyden i en tank med Neuron IoT-sensorer.
Å måle fyllingshøyde vil nøyaktig måle volumet av væske i en tank hvis overflatearealet til tanken er uniformt på alle høyder. I en horisontal sylindrisk tank som et trommelfat liggende på siden, er ikke dette tilfellet. Mer avanserte beregninger er nødvendig for å vite volumet av væsken.
Det fylte volumet av en horisontal sylindrisk tank kan overvåkes ved å bruke en Neuron IoT-sensor for å måle fyllingshøyde, og en Neuron Virtuell sensor for å beregne volum.
Formel for å beregne volumet av horisontal sylindrisk tank temperaturpunkt:
- L = Lengden på beholderen (høyde når den står oppreist)
- R = Radius av beholderen
- H = Fyllingshøyde
- Volum:
Denne funksjonen har blitt forespurt av et verksted for busser og lastebiler som lagrer olje, frostvæske, spylervæske osv. i horisontale oljefat.
En sensorprobe som settes inn i oljefatet brukes til å måle fyllingshøyde. Sensorproben gir en 4-20 mA utgang med en lineær sammenheng til fyllingshøyde. Vanligvis vil 4 mA representere 0, og 20 mA vil representere maksimal høyde målbar av sensorproben. Den 4-20 mA utgangen er koblet til en Neuron Precision mA-sensor (https://el-watch.no/produkter/neuron-ma-digitizer-precision-ma-digitizer/), som gir målingen fra sensorproben til Neuron Cloud.
En virtuell sensor brukes til å beregne det fylte volumet.
Ved å overvåke volumet i tanken, er det lettere å oppdage når du snart går tom og trenger å etterfylle eller bestille mer.
Se også: https://el-watch.no/bruksomrader/tanknivaovervakning/
Eksempel 5 – Varmevekslingsrate i ventilasjonssystemer
Ventilasjonssystemer bruker varmevekslere for å varme opp inntaksluft ved å bruke energi fra den utgående luften. Opptil 83 % av energien fra utluften kan gjenvinnes. Dette tallet refereres til som “Temperaturoverføringseffektivitet” eller “Varmevekslingsrate” og er et mål på hvor effektiv varmeveksleren er.
Neuron Temperatur IP67-sensorer (https://el-watch.no/produkter/neuron-temperature-ip67/) brukes til å måle temperaturer på tre punkter i ventilasjonssystemet, utluften før og etter varmeveksleren, og inntaksluften før varmeveksleren. Inntaksluften før varmeveksleren er veldig ofte lik utetemperaturen.
En virtuell sensor brukes til å beregne varmevekslingsraten.
Formel for å beregne varmevekslingsrate:
- B = Utlufttemperatur før varmeveksleren (inne)
- A = Utlufttemperatur etter varmeveksleren (ute)
- I = Inntakslufttemperatur før varmeveksleren (ute)
- Varmevekslingsrate i prosent:
Denne funksjonen ble forespurt av et firma som leverer og vedlikeholder ventilasjonssystemer. Ved å overvåke varmevekslingsraten, vil de kunne gi kundene sine beskjed når ventilasjonssystemet krever vedlikehold.
Siden varmevekslere slites ut over tid, vil det være økonomisk fordelaktig å investere i en ny varmeveksler etter noen år, når kostnaden for investeringen er lavere enn de tilleggskostnadene som energiforbruket av den gamle varmeveksleren medfører. Ved å overvåke dette, kan firmaet varsle om når det vil være lurt å bytte varmevekslere.
Se også: https://el-watch.no/bruksomrader/analyse-av-varmeveksler-ventilasjonsanlegg
