Основанный на сигналах индикатор состояния является количеством, выведенным от обработки данных сигнала. Индикатор состояния получает некоторую функцию сигнала, который изменяется надежным способом, когда производительность системы ухудшается. В разработке алгоритмов для прогнозирующего обслуживания вы используете такой индикатор состояния, чтобы различать здоровый от дефектной работы машины. Или, можно использовать тренды в индикаторе состояния, чтобы идентифицировать ухудшающуюся производительность системы, показательную из износа или другого условия отказа разработки.
Основанные на сигналах индикаторы состояния могут быть извлечены с помощью любого типа обработки сигналов, включая временной интервал, частотный диапазон и анализ частоты времени. Примеры основанных на сигналах индикаторов состояния включают:
Среднее значение сигнала, который изменяется как производительность системы, изменяется
Количество, которое измеряет хаотическое поведение в сигнале, присутствие которого может быть показательным из условия отказа
Пиковое значение в спектре сигнала или частота, на которой возникает пиковое значение, если изменения в таком поведении частотного диапазона показательны из изменяющихся условий машины
На практике вы можете должны быть исследовать свои данные и эксперимент с различными индикаторами состояния, чтобы найти тех, которые лучше всего удовлетворяют вашей машине, вашим данным и вашим условиям отказа. Существует много функций, которые можно использовать для анализа сигнала, чтобы сгенерировать основанные на сигналах индикаторы состояния. Следующие разделы обобщают некоторые из них. Можно использовать эти функции на сигналах в массивах или расписаниях, таких как сигналы, извлеченные от datastore ансамбля. (См. Ансамбли Данных для Мониторинга состояния и Прогнозирующего Обслуживания.)
Для некоторых систем простые статистические функции сигналов времени могут служить индикаторами состояния, отличая условия отказа от здоровых условий. Например, среднее значение конкретного сигнала (mean) или его стандартное отклонение (std) может измениться, когда системное здоровье ухудшается. Или, можно попробовать моменты высшего порядка сигнала, такие как skewness и kurtosis. С такими функциями можно попытаться идентифицировать пороговые значения, которые отличают здоровую операцию от дефектной операции или ищут резкие изменения в значении, которые отмечают изменения в системном состоянии.
Другие функции, которые можно использовать, чтобы извлечь простые функции временного интервала, включают:
В системах, которые показывают хаотические сигналы, определенные нелинейные свойства могут указать на внезапные изменения в поведении системы. Такие нелинейные функции могут быть полезными в анализе вибрации и акустических сигналов от систем, таких как подшипники, механизмы и механизмы. Они могут отразить изменения в траектории фазового пространства базовых системных движущих сил, которые происходят даже перед вхождением условия отказа. Таким образом контроль динамических характеристик системы, использующих нелинейные функции, может помочь идентифицировать потенциальные отказы ранее, такой как тогда, когда перенос является немного потертым.
Predictive Maintenance Toolbox™ включает несколько функций для вычисления нелинейных функций сигнала. Эти количества представляют различные способы охарактеризовать уровень хаоса в системе. Увеличение хаотического поведения может указать на условие отказа разработки.
lyapunovExponent — Вычислите самую большую экспоненту Ляпунова, которая характеризует уровень разделения соседних траекторий фазового пространства.
approximateEntropy — Оцените аппроксимированную энтропию сигнала временного интервала. Аппроксимированная энтропия определяет сумму регулярности или неисправности в сигнале.
correlationDimension — Оцените размерность корреляции сигнала, который является мерой размерности фазового пространства, занятого сигналом. Изменения в размерности корреляции указывают на изменения в поведении фазового пространства базовой системы.
Вычисление этих нелинейных функций полагается на функцию phaseSpaceReconstruction, которая восстанавливает фазовое пространство, содержащее все переменные динамической системы.
Пример Используя Simulink, чтобы Сгенерировать Данные об Отказе использует и простые функции временного интервала и эти нелинейные функции как кандидаты на диагностирование различных условий отказа. Пример вычисляет все функции каждого члена смоделированного ансамбля данных и использует получившуюся таблицу функции, чтобы обучить классификатор.
Для некоторых систем спектральный анализ может сгенерировать функции сигнала, которые полезны для различения здоровых и дефектных состояний. Некоторые функции, которые можно использовать, чтобы вычислить индикаторы состояния частотного диапазона, включают:
meanfreq — Средняя частота спектра мощности сигнала.
powerbw — Пропускная способность степени на 3 дБ сигнала.
findpeaks — Значения и местоположения локальных максимумов в сигнале. Если вы предварительно обрабатываете сигнал путем преобразования его в частотный диапазон, findpeaks может дать вам частоты спектрального peaks.
Мониторинг состояния в качестве примера и Предзнаменования Используя Сигналы Вибрации используют такой анализ частотного диапазона, чтобы извлечь индикаторы состояния.
Для списка функций можно использовать для выделения признаков частотного диапазона, видеть, Идентифицируют Индикаторы состояния.
Частота времени спектральные свойства является другим способом характеризовать изменения в спектральном содержимом сигнала в зависимости от времени. Доступные функции для вычислительных индикаторов состояния на основе спектрального анализа частоты времени включают:
pkurtosis — Вычислите spectral kurtosis, который характеризует сигнал путем дифференциации стационарного Гауссова поведения сигнала от неустановившегося или негауссова поведения в частотном диапазоне. Спектральный эксцесс принимает маленькие значения на частотах, где стационарный Гауссов шум только присутствует, и большие положительные значения на частотах, где переходные процессы происходят. Спектральный эксцесс может быть индикатором состояния самостоятельно. Можно использовать kurtogram, чтобы визуализировать спектральный эксцесс, прежде, чем извлечь функции с pkurtosis. Как предварительно обрабатывающий для других инструментов, таких как анализ конверта, спектральный эксцесс может подать ключевые входные сигналы, такие как оптимальная пропускная способность.
pentropy — Вычислите spectral entropy, который характеризует сигнал путем обеспечения меры его информационного содержимого. Где вы ожидаете, что сглаженная работа машины приведет к универсальному сигналу, такому как белый шум, более высокое информационное содержимое может указать на механический износ или отказы.
Диагностика отказа Подшипника качения в качестве примера использует спектральные функции данных об отказе, чтобы вычислить индикатор состояния, который отличает два различных состояния отказа в системе переноса.
Моменты частоты времени обеспечивают эффективный способ охарактеризовать сигналы nonstationary, сигналы, частоты которых изменяются вовремя. Классический анализ Фурье не может получить изменяющееся во времени поведение частоты. Плотности распределения времени, сгенерированные кратковременным преобразованием Фурье или другими аналитическими методами частоты времени, могут получить изменяющееся во времени поведение. Моменты частоты времени обеспечивают способ охарактеризовать такие плотности распределения времени более сжато. Существует три типа моментов частоты времени:
tfsmoment — Условный спектральный момент, который является изменением спектрального момента в зависимости от времени. Таким образом, например, в течение второго условного спектрального момента, tfsmoment возвращает мгновенную дисперсию частоты в каждом моменте времени.
tftmoment — Условный временный момент, который является изменением временного момента с частотой. Таким образом, например, в течение второго условного временного момента, tftmoment возвращает дисперсию сигнала на каждой частоте.
tfmoment — Объединенный момент частоты времени. Этот скаляр получает момент и за время и за частоту.
Можно также вычислить мгновенную частоту как функцию времени с помощью instfreq.
