Wzrost na światowym rynku napędów niskiego napięcia kształtuje się nieco powyżej produkcji całego przemysłu wytwórczego i jest to trend długoterminowy. W latach 2007-2019 bazowa stopa wzrostu przychodów z napędów niskonapięciowych wyniosła 3,8%. Firma Interact przewiduje, że w latach 2020-2024 CAGR wzrośnie do 5,3% i oczekuje, że rynek poprawi się podobnie jak w latach 2010-2014. Wystąpią przy tym duże różnice regionalne we wskaźnikach odzysku - najszybciej odbudują się rynki w Chinach, Korei Południowej i Indiach, natomiast ścieżka powrotu dla krajów zachodnioeuropejskich będzie znacznie wolniejsza i proces ten potrwa nawet do roku 2024.
Trendy technologiczne w zakresie napędów elektrycznych
Ważnym trendem będzie upowszechnianie się napędów o ograniczonej funkcjonalności i niskich cenach. Mają one zwykle moc znamionową od 0,1 do 3,7 kW, montowane są w szafach (stopień ochrony IP20 lub niższy) i pozbawione są m.in. możliwości podłączania przetworników obrotów. Takie produkty popularyzować się będą głównie w Azji, podczas gdy w regionie EMEA oraz Amerykach dominować będą napędy droższe.
Innym trendem zidentyfikowanym w raporcie jest przemieszczanie w napędach niskiego napięcia realizowane w niektórych obszarach za pomocą innych technologii, takich jak ECM (silniki komutowane elektronicznie). Moduły ECM to bezszczotkowe silniki prądu stałego z magnesami trwałymi, podobne do silników krokowych, które nie wymagają możliwości obliczeniowych napędów AC. Niektóre ECM-y mogą teraz osiągnąć wysokie poziomy sprawności, co prowadzi do radykalnych oszczędności kosztów.
Przemienniki jako źródło danych
Przechodząc do predykcyjnego utrzymania ruchu, analitycy sugerują, że producenci napędów powinni odchodzić od postrzegania technologii jako sposobu na wydłużenie żywotności samego napędu. Ważniejszą kwestią jest to, w jaki sposób przemiennik częstotliwości może być używany jako czujnik do zbierania użytecznych danych o stanie silnika, unikając w ten sposób awarii silnika podczas pracy. Napędy mogą generować dane o zachowaniu silnika, których nie ma większość inteligentnych czujników. Na przykład mogą tworzyć profile zachowania elektrycznego silników, którymi sterują. Wykorzystując te dane w połączeniu z inteligentnymi czujnikami, można wygenerować dodatkowe źródło danych, które może poprawić dokładność algorytmów uczenia maszynowego.
