Предварительная обработка данных является вторым этапом рабочего процесса для прогнозирующей разработки алгоритмов обслуживания:
Предварительная обработка данных часто необходима, чтобы убрать данные и преобразовать их в форму, из которой можно извлечь индикаторы состояния. Предварительная обработка данных может включать:
Выброс и удаление отсутствующего значения, удаление смещения и удаление тренда.
Шумоподавление, такое как фильтрация или сглаживание.
Преобразования между временем и частотным диапазоном.
Более усовершенствованная обработка сигналов, такая как кратковременные преобразования Фурье и преобразования к области порядка.
Можно выполнить предварительную обработку данных на массивах или таблицах измеренных или симулированных данных, которыми вы управляете с хранилищами данных ансамбля Predictive Maintenance Toolbox™, как описано в Ансамблях Данных для Мониторинга состояния и Прогнозирующего Обслуживания. Обычно вы предварительно обрабатываете свои данные прежде, чем анализировать его, чтобы идентифицировать многообещающий индикатор состояния, количество, которое изменяется предсказуемым способом, когда производительность системы ухудшается. (См. Индикаторы состояния для Контроля, Обнаружения Отказа и Прогноза.) Может быть некоторое перекрытие между шагами предварительной обработки и идентификации индикаторов состояния. Как правило, хотя, предварительно обрабатывая результаты в убранном или преобразованном сигнале, о котором вы выполняете последующий анализ, чтобы уплотнить информацию сигнала в индикатор состояния.
Понимание вашей машины и вида данных, которые вы имеете, может помочь определить что, предварительно обработав методы, чтобы использовать. Например, если вы фильтруете шумные данные о вибрации, зная то, что, скорее всего, отобразит частотный диапазон, полезные функции могут помочь вам выбрать методы предварительной обработки. Точно так же может быть полезно преобразовать данные о вибрации коробки передач к области порядка, которая используется во вращении машин, когда скорость вращения изменяется в зависимости от времени. Однако та же самая предварительная обработка не была бы полезна для данных о вибрации из автомобильного шасси, которое является твердым телом.
MATLAB® включает много функций, которые полезны для основной предварительной обработки данных в массивах или таблицах. Они включают функции для:
Очистка данных, такая как fillmissing и filloutliers. Очистка данных использует различные методы в поиске, удалении и замене плохих или отсутствующих данных.
Сглаживая данные, такие как smoothdata и movmean. Используйте сглаживание, чтобы устранить нежелательный шум или высокое отклонение в данных.
Детрендируя данные, такие как detrend. Удаление тренда из данных позволяет вам сфокусировать свой анализ на колебаниях данных о тренде. В то время как тренды могут быть значимыми, другие происходят из-за систематических эффектов, и некоторые типы исследований дают к лучшему пониманию, если вы удаляете их. Удаление смещений является другим, подобным типом предварительной обработки.
Масштабируясь или данные о нормализации, такие как rescale. Масштабирование изменяет границы данных и может быть полезным, например, когда вы работаете с данными в различных модулях.
Другой общий тип предварительной обработки должен извлечь полезный фрагмент сигнала и отбросить другие фрагменты. Например, вы можете отбросить первые пять секунд сигнала, который является частью некоторого переходного процесса запуска, и сохраните только данные из установившейся операции. Для примера, который выполняет этот вид предварительной обработки, смотрите Используя Simulink, чтобы Сгенерировать Данные об Отказе.
Для получения дополнительной информации об основных командах предварительной обработки в MATLAB смотрите Данные о Предварительной обработке (MATLAB).
Фильтрация является другим способом удалить шумовые или нежелательные компоненты из сигнала. Фильтрация полезна, когда вы знаете, какой частотный диапазон в данных, скорее всего, отобразит полезные функции мониторинга состояния или прогноза. Основная функция MATLAB filter позволяет вам отфильтровать сигнал с передаточной функцией. Можно использовать designfilt сгенерировать фильтры для использования с filter, такой как полоса пропускания, высокая передача и фильтры lowpass и другие общие формы фильтра. Для получения дополнительной информации об использовании этих функций смотрите Цифровые и Аналоговые Фильтры (Signal Processing Toolbox).
Если у вас есть лицензия Wavelet Toolbox™, можно использовать инструменты вейвлета для более комплексных подходов фильтра. Например, можно разделить данные на поддиапазоны, обработать данные в каждом поддиапазоне отдельно и повторно объединить их, чтобы создать модифицированную версию исходного сигнала. Для получения дополнительной информации о таких фильтрах, смотрите Наборы фильтров (Wavelet Toolbox). Можно также использовать функцию Signal Processing Toolbox™ emd чтобы разложиться разделяют смешанный сигнал на компоненты с различным поведением частоты времени.
Predictive Maintenance Toolbox и Signal Processing Toolbox обеспечивают функции, которые позволяют вам изучить и охарактеризовать колебания в механических системах во временном интервале. Используйте эти функции в предварительной обработке или экстракции индикаторов состояния. Например:
tsa — Удалите шум когерентно с синхронным во времени усреднением и анализируйте износ с помощью огибающих спектра. Пример Используя Simulink, чтобы Сгенерировать Данные об Отказе использует синхронное во времени усреднение, чтобы предварительно обработать данные о вибрации.
tsadifference — Удалите регулярный сигнал, боковые полосы первого порядка и другие определенные боковые полосы с их гармониками от сигнала синхронного во времени усредненного (TSA).
tsaregular — Изолируйте известный сигнал от сигнала TSA путем удаления остаточных и определенных боковых полос сигнала.
tsaresidual — Изолируйте остаточный сигнал от сигнала TSA путем удаления известных компонентов сигнала и их гармоник.
ordertrack — Используйте анализ порядка, чтобы анализировать и визуализировать спектральное содержимое, происходящее во вращающемся машинном оборудовании. Отследите и извлеките порядки и их формы волны временного интервала.
rpmtrack — Отследите и извлеките профиль об/мин из сигнала вибрации путем вычисления об/мин как функции времени.
envspectrum — Вычислите огибающую спектра. Огибающая спектра удаляет высокочастотные синусоидальные компоненты из сигнала и фокусируется на более низких частотных модуляциях. Диагностика отказа Подшипника качения в качестве примера использует огибающую спектра в такой предварительной обработке.
Для получения дополнительной информации об этих и связанных функциях смотрите Анализ Вибрации (Signal Processing Toolbox).
Для того, чтобы вибрировать или вращать системы, разработка отказа может быть обозначена изменениями в поведении частотного диапазона, такими как изменение резонансных частот или присутствие новых вибрационных компонентов. Signal Processing Toolbox обеспечивает много функций для анализа такого спектрального поведения. Часто они полезны как предварительно обрабатывающий прежде, чем выполнить последующий анализ для извлечения индикаторов состояния. Такие функции включают:
pspectrum — Вычислите спектр мощности, спектр мощности частоты времени или спектрограмму степени сигнала. Спектрограмма содержит информацию о том, как распределение электроэнергии изменяется со временем. Мультиклассовое обнаружение неисправностей с использованием смоделированных данных в качестве примера выполняет предварительную обработку данных с помощью pspectrum.
envspectrum — Вычислите огибающую спектра. Отказ, который вызывает повторяющийся импульс или шаблон, наложит амплитудную модуляцию на сигнал вибрации машинного оборудования. Огибающая спектра удаляет высокочастотные синусоидальные компоненты из сигнала и фокусируется на более низких частотных модуляциях. Диагностика отказа Подшипника качения в качестве примера использует огибающую спектра в такой предварительной обработке.
orderspectrum — Вычислите средний спектр амплитуды порядка.
modalfrf — Оцените функцию частотной характеристики сигнала.
Для получения дополнительной информации об этих и связанных функциях смотрите Анализ Вибрации (Signal Processing Toolbox).
Signal Processing Toolbox включает функции для анализа систем, поведение частотного диапазона которых изменяется со временем. Такой анализ называется частотно-временным анализом и полезен для анализа и обнаружения переходного процесса или изменения сигналов, сопоставленных с изменениями в производительности системы. Эти функции включают:
spectrogram — Вычислите спектрограмму с помощью кратковременного преобразования Фурье. Спектрограмма описывает локализованное временем содержимое частоты сигнала и его эволюции в зависимости от времени. Мониторинг состояния в качестве примера и Предзнаменования Используя Сигналы Вибрации используют spectrogram чтобы предварительно обработать сигналы и справку идентифицируют потенциальные индикаторы состояния.
hht — Вычислите Гильбертов спектр сигнала. Гильбертов спектр полезен для анализа сигналов, которые включают смесь сигналов, спектральное содержимое которых изменяется вовремя. Эта функция вычисляет спектр каждого компонента в смешанном сигнале, где компоненты определяются эмпирическим разложением моды.
emd — Вычислите эмпирическое разложение моды сигнала. Это разложение описывает смесь сигналов, анализируемых в Гильбертовом спектре, и может помочь вам разделить смешанный сигнал извлечь компонент, поведение частоты времени которого изменяется, когда производительность системы ухудшается. Можно использовать emd сгенерировать входные параметры для hht.
kurtogram — Вычислите локализованный временем спектральный эксцесс, который характеризует сигнал путем дифференциации стационарного Гауссова поведения сигнала от неустановившегося или негауссова поведения в частотном диапазоне. Как предварительно обрабатывающий для других инструментов, таких как анализ конверта, спектральный эксцесс может подать ключевые входные сигналы, такие как оптимальная полоса. (См. pkurtosis.) Диагностика отказа Подшипника качения в качестве примера использует спектральный эксцесс в предварительной обработке и экстракции индикаторов состояния.
Для получения дополнительной информации об этих и связанных функциях смотрите Частотно-временной анализ (Signal Processing Toolbox).
