Приложение Diagnostic Feature Designer позволяет вам в интерактивном режиме анализировать данные и разрабатывать оценки, которые могут различать данные из здоровых систем и ухудшенные системы. Приложение работает с набором данных об измерении и информации от набора аналогичных систем, таких как машины. Чтобы использовать приложение, необходимо сначала организовать данные в форму, которую может импортировать приложение. Один способ организовать ваши данные с числовыми матрицами, которые могут собрать все ваши данные об измерении. Однако можно также использовать более гибкие форматы, такие как таблицы, которые позволяют вам включать дополнительную информацию, такую как состояние здоровья и условия работы. С этой информацией можно исследовать функции в рамках приложения и оценить способность к функции различать различные особые условия.
Анализ данных является основой любого мониторинга состояния и прогнозирующего технического обслуживания.
Данные могут прибыть из измерений в системах с помощью датчиков, таких как акселерометры, манометры, термометры, высотомеры, вольтметры и тахометры. Например, у вас может быть доступ к результатам измерений от:
Операция нормальной системы
Система, действующая в дефектном условии
Пожизненная запись работы системы (данные run-to-failure)
Для проекта алгоритма можно также использовать симулированные данные, сгенерированные путем выполнения модели Simulink® системы при различной работе и условиях отказа.
Есть ли с помощью результатов измерений, сгенерированных данных или обоих, у вас часто много сигналов, передвигающихся на отрезок времени или несколько отрезков времени. У вас могут также быть сигналы от многих машин (например, измерения от многих отдельных механизмов все произведенные к тем же техническим требованиям). И у вас могут быть данные, представляющие и здоровую операцию и условия отказа. Оценка эффективных функций прогнозирующего обслуживания требует организации и анализа этих данных при отслеживании системы и подготавливает данные, представляет.
Основной модуль для организации и управления многоаспектные наборы данных в Predictive Maintenance Toolbox™ является ансамблем данных. ensemble является набором наборов данных, созданных путем измерения или симуляции системы при различных условиях.
Например, рассмотрите систему коробки передач передачи, в которой у вас есть акселерометр, чтобы измерить вибрацию и тахометр, чтобы измерить вращение вала механизма. Предположим, что вы запускаете механизм в течение пяти минут и записываете измеренные сигналы в зависимости от времени. Вы также записываете возраст механизма, измеренный в управляемых милях. Те измерения дают к следующему набору данных.
Теперь предположите, что у вас есть флот многих идентичных механизмов, и вы записываете данные от всех них. Выполнение так дает к семейству наборов данных.
Этим семейством наборов данных является ensemble, и каждой строкой в ансамбле является member ансамбля.
Члены в ансамбле связаны в этом, они содержат те же переменные данных. Например, в проиллюстрированном ансамбле, все члены включают те же четыре переменные: идентификатор механизма, вибрация и сигналы тахометра и возраст механизма. В том примере каждый член соответствует различной машине. Ваш ансамбль может также включать тот набор переменных данных, зарегистрированных от той же машины в разное время. Например, следующий рисунок показывает ансамбль, который включает несколько наборов данных от того же механизма, зарегистрированного как возрасты механизма.
На практике данные для каждого члена ансамбля обычно хранимы в отдельном файле данных. Таким образом, например, у вас может быть один файл, содержащий данные для механизма 01 на уровне 9 500 миль, другой файл, содержащий данные для механизма 01 на уровне 21 250 миль, и так далее.
Переменные в вашем ансамбле служат различным целям, и соответственно могут быть сгруппированы в несколько типов:
Data variables (DV) — Основное содержание членов ансамбля, включая результаты измерений и производные данные, которые вы используете для анализа и разработки прогнозирующих алгоритмов обслуживания. Например, в проиллюстрированных ансамблях коробки передач, Vibration и Tachometer переменные данных. Переменные данных могут также включать полученные значения, такие как среднее значение сигнала или частота пиковой величины в спектре сигнала.
Independent variables (IV) — Переменные, которые идентифицируют или заказывают членам в ансамбле, таким как метки времени, номер операционных часов или идентификаторы машины. В ансамбле измеренных данных коробки передач, Age независимая переменная.
Condition variables (CV) — Переменные, которые описывают условие отказа или условия работы члена ансамбля. Условные переменные могут записать присутствие или отсутствие состояния отказа или другие условия работы, такие как температура окружающей среды. В данных коробки передач ансамбля, sensor health может быть условная переменная, состояние которой известно каждым механизмом. Условные переменные могут также быть полученными значениями, такими как одно скалярное значение, которое кодирует, несколько дают сбой и условия работы.
Переменные данных и независимые переменные обычно имеют много элементов. Условные переменные часто являются скалярами. В приложении условные переменные должны быть скалярами.
Можно использовать один из трех общих подходов, чтобы объединить данные ансамбля и импортировать его в приложение. Все эти подходы требуют, чтобы ваши члены ансамбля все содержали те же переменные.
Импортируйте свои данные в форме отдельных наборов данных — один для каждого члена — и позвольте приложению объединить эти наборы данных в ансамбль.
Этот подход требует наименьшего количества настройки прежде, чем импортировать данные. Этот подход практичен только, когда у вас есть небольшое количество наборов данных. Если вы хотите обновить ансамбль с новыми членами, необходимо импортировать все члены снова.
Импортируйте один набор данных ансамбля, который вы создаете из своих наборов данных члена. Каждая строка вашего набора данных ансамбля представляет один из ваших членов.
Этот подход требует большего количества настройки прежде, чем импортировать данные. Это более практично, чем индивидуальный подход, когда у вас есть большие наборы члена. если вы хотите обновить ансамбль с новыми членами, можно сделать так за пределами приложения путем добавления к существующей таблице. Затем импортируйте обновленную таблицу.
Для примера при создании набора данных ансамбля из отдельных матриц члена смотрите, Готовят Матричные Данные к Diagnostic Feature Designer
Импортируйте ensemble datastore object, который содержит только имена и пути файлов члена вместо того, чтобы импортировать сами данные. Этот объект также включает информацию, необходимую для приложения, чтобы взаимодействовать с внешними файлами.
Этот подход является лучшим, когда у вас есть большие объемы данных и переменные. Хранилища данных ансамбля могут помочь вам работать с такими данными, хранятся ли они локально или в удаленном месте, таком как "облачное" хранилище с помощью Amazon S3™ (Простой Сервис Устройства хранения данных), Устройство хранения данных Windows Azure® Blob или Hadoop® Distributed File System (HDFS™).
Как правило, когда вы начинаете исследовать свои данные в приложении, вы хотите импортировать относительно малочисленное число членов и переменные. Однако позже вы можете хотеть протестировать свои заключения на эффективности функции путем введения большего объема выборки. Datastore ансамбля является одним методом для обработки большего объема данных, особенно если размер данных превышает ограничения памяти для MATLAB®.
Для получения дополнительной информации об объектах datastore ансамбля смотрите Ансамбли Данных для Мониторинга состояния и Прогнозирующего Обслуживания.
Приложение принимает различные типы данных, включая числовые матрицы и таблицы, которые содержат скаляры условной переменной и встроенные расписания измерения.
Прежде, чем импортировать ваши данные, это должно уже быть чисто с предварительной обработкой, такой как удаление отсутствующего значения и выброс. Для получения дополнительной информации смотрите, что Данные Предварительно обрабатывают для Мониторинга состояния и Прогнозирующего Обслуживания.
Для получения дальнейшей информации на типах данных и ограничениях, и на фактическом импорте данных, видят, Импортируют Данные в Diagnostic Feature Designer.
fileEnsembleDatastore | simulationEnsembleDatastore | table | timetable
