Основанный на модели индикатор состояния является количеством, выведенным от подходящих системных данных до модели и выполняющий последующую обработку с помощью модели. Индикатор состояния получает аспекты модели, которые изменяются, когда производительность системы ухудшается. Основанные на модели индикаторы состояния могут быть полезными когда:
Это затрудняет, чтобы идентифицировать подходящие индикаторы состояния, использующие функции от одного только анализа сигнала. Эта ситуация может произойти, когда другие факторы влияют на сигнал кроме условия отказа машины. Например, сигналы, которые вы измеряете, могут варьироваться в зависимости от одного или нескольких входных сигналов в другом месте в системе.
У вас есть знание системы или базовых процессов, таким образом, что можно смоделировать некоторый аспект поведения системы. Например, вы можете знать от системного знания, что существует системный параметр, такой как постоянная времени, которая изменится, когда система ухудшается.
Вы хотите сделать некоторое прогнозирование или симуляцию будущего поведения системы, основанного на условиях существующей системы. (См. Модели для Предсказания Остающегося Срока полезного использования.)
В таких случаях это может быть полезно и эффективно соответствовать данным к некоторой модели и индикаторам состояния использования, извлеченным из модели, а не из прямого анализа сигнала. Основанные на модели индикаторы состояния могут быть основаны на любом типе модели, которая подходит для ваших данных и системы, и включая статические и включая динамические модели. Индикаторы состояния, которые вы извлекаете из моделей, могут быть количествами, такими как:
Параметры модели, такие как коэффициенты линейной подгонки. Изменение в таком значении параметров может быть показательным из условия отказа.
Статистические свойства параметров модели, такие как отклонение. Параметр модели, который выходит за пределы статистической области значений, ожидаемой от здоровой производительности системы, может быть показательным из отказа.
Динамические свойства, такие как система утверждают значения, полученные оценкой состояния, или местоположениями полюса или коэффициентом демпфирования предполагаемой динамической модели.
Количества выведены из симуляции динамической модели.
На практике вы можете должны быть исследовать различные модели и эксперимент с различными индикаторами состояния, чтобы найти тех, которые лучше всего удовлетворяют вашей машине, вашим данным и вашим условиям отказа. Существует много подходов, которые можно проявить к идентификации основанных на модели индикаторов состояния. Следующие разделы обобщают общие подходы.
Когда вам получили данные из установившейся работы системы, можно попробовать подгонку данных к статической модели и параметры использования той модели, чтобы извлечь индикаторы состояния. Например, предположите, что вы генерируете ансамбль данных путем измерения некоторой характеристической кривой в различных машинах, в разное время, или при различных условиях. Можно затем подбирать полиномиальную модель к характеристическим кривым и использовать получившиеся полиномиальные коэффициенты в качестве индикаторов состояния.
Диагностика отказа в качестве примера Центробежных Насосов Используя Эксперименты Устойчивого состояния проявляет этот подход. Данные в том примере описывают характеристическое отношение между крышкой насоса и скоростью потока жидкости, измеренной в ансамбле насосов во время здоровой установившейся операции. Пример выполняет простую линейную подгонку, чтобы описать эту характеристическую кривую. Поскольку существует некоторое изменение хорошо-подходящих параметров через ансамбль, пример использует получившиеся параметры, чтобы определить распределение и область доверия для подходящих параметров. При выполнении той же подгонки с тестовые данные устанавливают параметры урожаев, и сравнение этих параметров с распределением дает к вероятности отказа.
Можно также использовать статические модели, чтобы сгенерировать сгруппированные распределения здоровых и дефектных данных. Когда вы получаете новую точку из тестовых данных, можно использовать тесты гипотезы, чтобы определить, какому распределению точка, скорее всего, принадлежит.
Для динамических систем изменения в измеренных сигналах (выходные параметры) зависят от изменений в сигналах в другом месте в системе (входные параметры). Можно использовать динамическую модель такой системы, чтобы сгенерировать индикаторы состояния. Некоторые динамические модели основаны на обоих входных и выходных данных, в то время как другие могут быть подходящими на основе одних только выходных данных timeseries. Вам не обязательно нужна известная модель базовых динамических процессов, чтобы выполнить такой подбор кривой модели. Однако системное знание может помочь вам выбрать тип или структуру модели, чтобы соответствовать.
Некоторые функции, которые можно использовать в подборе кривой модели, включают:
ssest — Оцените модель в пространстве состояний из данных ввода - вывода временного интервала или данных частотной характеристики.
ar — Оцените наименьшие квадраты авторекурсивная модель (AR) из данных timeseries.
nlarx — Нелинейное поведение модели с помощью динамических средств оценки нелинейности, таких как сети вейвлета, разделение дерева и сигмоидальные сети.
Существуют также рекурсивные функции оценки, которые позволяют вам подбирать модели в режиме реального времени, когда вы собираете данные, такие как recursiveARX. Пример Обнаруживает Резкие Системные Изменения Используя Идентификационные Методы, иллюстрирует этот подход.
Для большего количества функций можно использовать в подборе кривой модели, видеть, Идентифицируют Индикаторы состояния.
Любой параметр силы модели служит полезным индикатором состояния. Как со статическими моделями, изменения в параметрах модели или значениях за пределами статистических доверительных границ могут быть показательными из условий отказа. Например, если вы идентифицируете модель в пространстве состояний с помощью ssest, местоположения полюса или коэффициенты демпфирования могут измениться, когда условие отказа разрабатывает. Можно использовать линейные аналитические функции, такие как damp, pole, и zero извлекать динамику из предполагаемой модели.
Другим подходом является modalfit, который идентифицирует динамические характеристики путем разделения сигнала на несколько режимов с отличной функцией частотной характеристики.
Иногда, вы изучаете некоторые свои системные движущие силы и можете представлять их использующий дифференциальные уравнения или структуры модели неизвестными параметрами. Например, вы можете смочь вывести модель своей системы в терминах физических параметров, таких как постоянные времени, резонансные частоты или коэффициенты демпфирования, но точные значения таких параметров неизвестны. В этом случае можно использовать линейные или нелинейные модели grey-box, чтобы оценить значения параметров и отследить, как те значения параметров изменяются с различными условиями отказа. Некоторые функции для вас могут использовать в оценке серого ящика, включают pem и nlarx.
Модель Simulink® может также служить моделью серого ящика для оценки параметра. Можно использовать Simulink, чтобы смоделировать систему и при здоровых и при дефектных условиях с помощью физически значимых параметров и оценить значения тех параметров на основе системных данных (например, с помощью инструментов в Simulink Design Optimization™).
Другой способ использовать динамическую модель состоит в том, чтобы симулировать модель и сравнить результат с действительными данными, на которых базировалась модель. Различие между системными данными и результатами симуляции предполагаемой модели называется residual signal. Обнаружение отказов центробежных насосов с использованием анализа невязок в качестве примера анализирует остаточный сигнал предполагаемого nlarx модель. Пример вычисляет несколько статистических и спектральных функций остаточного сигнала. Это тестирует эти индикаторы состояния кандидата, чтобы определить, которые обеспечивают самое ясное различие между здоровой операцией и несколькими различными дефектными состояниями.
Другой основанный на невязке подход должен идентифицировать многоуровневые модели для данных ансамбля, представляющих отличающийся здоровый и условия отказа. Для тестовых данных вы затем вычисляете остаточные значения для каждой из этих моделей. Модель, которая дает к самому маленькому остаточному сигналу (и поэтому лучшая подгонка) указывает, который здоровый или условие отказа, скорее всего, применяется к тестовым данным.
Для остаточного анализа идентифицированной модели, полученной с помощью команд, таких как nlarx, ar, или ssestИспользование:
Как в случае основанные на параметре индикаторы состояния, можно также использовать Simulink, чтобы создать модели для остаточного анализа. Обнаружение Отказа в качестве примера Используя основанные на данных Модели также иллюстрирует подход остаточного анализа, с помощью модели, идентифицированной из симулированных данных.
Значения системных состояний могут также служить индикаторами состояния. Системные состояния соответствуют физическим параметрам, и резкие или неожиданные изменения в значениях состояния могут поэтому указать на условия отказа. Средства оценки состояния, такие как unscentedKalmanFilter, extendedKalmanFilter, и particleFilter позвольте вам отследить значения системных состояний в режиме реального времени, контролировать для таких изменений. Следующие примеры иллюстрируют использование средств оценки состояния для обнаружения отказа:
