Метрики мониторинга состояния механизма очень важны для разработки коробки передач и ее основанного на времени превентивного обслуживания. Индикаторы включают обнаружение аномалий механизма, и справка предотвращает катастрофический отказ, прежде чем отказ будет прогрессировать. Системы контроля состояния имеют дело с различными типами входных данных, например, вибрация, акустическая эмиссия, температура, нефтяной анализ обломков. Системы на основе анализа вибрации, акустической эмиссии и нефтяных обломков являются наиболее распространенными типами.
Следующая фигура иллюстрирует рабочий процесс идентификации метрик условия механизма и их дальнейшей оценки.
Можно использовать приложение Diagnostic Feature Designer и функциональность командной строки в Predictive Maintenance Toolbox™, чтобы сделать следующее:
Импортируйте измеренные или симулированные данные из отдельных файлов, файла ансамбля или datastore ансамбля.
Выведите новые переменные, такие как синхронный во времени усредненный (TSA), регулярный, остаточный и сигналы различия.
Сгенерируйте метрики условия механизма от своих переменных.
Отранжируйте свои признаки так, чтобы можно было определить численно, которые, вероятно, лучше всего различат между номинальным и дефектным поведением.
Экспортируйте свои самые эффективные признаки непосредственно к приложению Classification Learner для большего понимания эффективности функции и для обучения алгоритма.
Из ваших исходных данных выведите сигналы и извлеките метрики условия механизма следующим образом:
Извлеките синхронный во времени усредненный (TSA).
| Приложение Diagnostic Feature Designer | Командная строка |
|---|---|
| Используйте опцию Time-Synchronous Signal Averaging из выпадающего меню Filtering & Averaging. |
Выведите постоянного клиента, остаточного и сигналы различия.
| Приложение Diagnostic Feature Designer | Командная строка |
|---|---|
| Используйте опцию Filter Time-Synchronous Averaged Signals из выпадающего меню Filtering & Averaging. | Используйте следующие функции:
|
Вычислите метрики мониторинга состояния механизма из набора сигналов, полученных из предыдущего шага.
| Приложение Diagnostic Feature Designer | Командная строка |
|---|---|
| Используйте опцию Rotating Machinery Features из выпадающего меню Time-Domain Features. | Используйте gearConditionMetrics функция. |
Метрики условия механизма, которые могут идентифицировать точное местоположение отказов, включают следующее:
Вычисленный из сигнала TSA
Root-Mean Square (RMS) — Указывает на общее условие коробки передач на более поздних этапах ухудшения. RMS чувствительно к загрузке коробки передач и изменениям скорости. RMS обычно хороший индикатор полного условия коробок передач, но не хороший индикатор начинающегося зубного отказа. Также полезно обнаружить несбалансированные вращающиеся элементы. RMS из стандартного нормального распределения 1.
Kurtosis — Четвертый порядок нормировал момент сигнала, который указывает на главный peaks в амплитудном распределении. Эксцесс является мерой того, насколько склонный к выбросу распределение. Эксцесс стандартного нормального распределения равняется 3. Распределения, которые являются более склонными к выбросу, имеют значения эксцесса, больше, чем 3; распределения, которые являются менее склонными к выбросу, имеют значения эксцесса меньше чем 3. Kurtosis значения выше для поврежденных зубчатых передач из-за резкого peaks в амплитудном распределении сигнала.
Crest Factor (CF) — Отношение пикового значения сигнала к RMS значение, которое указывает на ранние знаки повреждения, особенно где сигналы вибрации показывают импульсивные черты.
Вычисленный из сигнала различия
FM4 — Описывает, как остроконечный или плоский различие сигнализирует, что амплитуда. FM4 нормирован на квадрат отклонения и обнаруживает отказы, изолированные только к конечному числу зубов в mesh механизма. FM4 из стандартного нормального распределения 3.
M6A — Описывает, как остроконечный или плоский различие сигнализирует, что амплитуда. M6A нормирован на куб отклонения и указывает на поверхностное повреждение на вращающихся компонентах машины. M6A из стандартного нормального распределения 15.
M8A — Улучшенная версия M6A индикатор. M8A нормирован на четвертую степень отклонения. M8A из стандартного нормального распределения 105.
Вычисленный из соединения сигналов
FM0 — Сравнивает отношение пикового значения сигнала TSA к энергии регулярного сигнала. FM0 идентифицирует главные аномалии, такие как перелом зуба или тяжелый износ, в запутывающем шаблоне механизма.
Energy Ratio (ER) — Отношение между энергией различия сигнализирует и энергия регулярного запутывающего компонента. Energy Ratio указывает на тяжелый износ, где несколько зубов на механизме повреждены.
Вычисленный из набора остаточных сигналов
NA4 — Улучшенная версия FM4 индикатор. NA4 указывает на начало повреждения и продолжает реагировать на повреждение, когда это распространяется и увеличивается в величине.
Методы выбора признаков помогают вам уменьшать большие наборы данных путем устранения метрик условия механизма, которые не важны анализу, который вы пытаетесь выполнить. В контексте мониторинга состояния несоответствующие функции - те, которые не отделяются здоровый от дефектной операции, или справка различают различные состояния отказа. Другими словами, выбор признаков означает идентифицировать те метрики механизма, которые подходят, чтобы служить индикаторами состояния, потому что они изменяются обнаруживаемым, надежным способом, когда эффективность коробки передач ухудшается.
Чтобы выполнить строгую относительную оценку, можно отранжировать признаки с помощью специализированных статистических методов. Каждый метод баллы и ранжирует признаки способностью различить между или среди групп данных, такой как между номинальным и дефектным поведением. Занимающие место результаты позволяют вам устранять неэффективные функции и оценивать занимающие место эффекты корректировок параметра, когда вычисление вывело переменные или функции.
| Приложение Diagnostic Feature Designer | Командная строка |
|---|---|
Гистограммы позволяют вам выполнять начальную оценку эффективности функции. Чтобы выполнить более строгую относительную оценку, можно отранжировать признаки, с помощью опции Rank Features, специализированными статистическими методами. Используйте опцию Export, чтобы экспортировать выбранные метрики в приложение Classification Learner в Statistics and Machine Learning Toolbox™. | Можно выбрать из следующих функций выбора признаков:
|
Если вы задали свой набор метрик условия механизма кандидата, можно экспортировать их в приложение Classification Learner в Statistics and Machine Learning Toolbox. Classification Learner обучает модели классифицировать данные, при помощи автоматизированных методов, чтобы протестировать различные типы моделей с набором функций. При этом Classification Learner определяет лучшую модель и самые эффективные функции. Для прогнозирующего обслуживания цель использования Classification Learner состоит в том, чтобы выбрать и обучить модель, которая различает между данными из здорового и из неисправных систем. Можно включить эту модель в алгоритм для обнаружения отказа зубчатой передачи и предсказание.
Classification Learner | Diagnostic Feature Designer | fscnca | gearConditionMetrics | monotonicity | pca | pcares | prognosability | sequentialfs | tachorpm | trendability | tsa | tsadifference | tsaregular | tsaresidual | tsne
