Показатели контроля состояния передач очень важны для разработки коробки передач и ее профилактического обслуживания с учетом времени. Индикаторы позволяют обнаруживать нарушения в работе зубчатых передач и предотвращают катастрофический отказ до возникновения неисправности. Системы мониторинга состояния работают с различными типами входных данных, например вибрацией, акустической эмиссией, температурой, анализом остатков масла. Наиболее распространенными типами являются системы, основанные на анализе вибрации, акустической эмиссии и обломков масла.
На следующем рисунке показан рабочий процесс определения показателей состояния зубчатых колес и их дальнейшей оценки.
С помощью приложения Diagnostic Feature Designer и функций командной строки в Toolbox™ предиктивного обслуживания можно выполнить следующие действия.
Импорт измеренных или смоделированных данных из отдельных файлов, файла ансамбля или хранилища данных ансамбля.
Выведите новые переменные, такие как синхронизированные по времени усредненные (TSA), регулярные, остаточные и разностные сигналы.
Создайте метрики условий зубчатой передачи на основе переменных.
Ранжируйте функции так, чтобы можно было численно определить, какие из них лучше всего различать номинальное и ошибочное поведение.
Экспортируйте наиболее эффективные функции непосредственно в приложение Classification Learner для получения более подробной информации об эффективности функций и для обучения алгоритмам.
На основе исходных данных выведите сигналы и извлеките метрики состояния зубчатой передачи следующим образом:
Извлеките усредненное время синхронизации (TSA).
| Приложение Diagnostic Feature Designer | Командная строка |
|---|---|
| Используйте опцию «Усреднение синхросигналов» в раскрывающемся меню «Фильтрация и усреднение». |
Выведите регулярные, остаточные и разностные сигналы.
| Приложение Diagnostic Feature Designer | Командная строка |
|---|---|
| Используйте опцию «Фильтровать усредненные по времени синхронные сигналы» в раскрывающемся меню «Фильтрация и усреднение». | Используйте следующие функции:
|
Вычислить метрики контроля состояния зубчатой передачи из набора сигналов, полученных на предыдущем этапе.
| Приложение Diagnostic Feature Designer | Командная строка |
|---|---|
| Используйте опцию Вращающиеся элементы оборудования (Roting Machinery Features) в раскрывающемся меню Элементы временной области (Time-Domain Features). | Используйте gearConditionMetrics функция. |
Метрики состояния зубчатой передачи, позволяющие определить точное местоположение неисправностей, включают в себя следующее:
Вычислено по сигналу TSA
Root-Mean Square (RMS) - Указывает общее состояние коробки передач на более поздних стадиях деградации. RMS чувствителен к нагрузке на коробку передач и изменению скорости. RMS обычно является хорошим индикатором общего состояния коробок передач, но не хорошим индикатором начинающегося отказа зуба. Также полезно обнаруживать несбалансированные вращающиеся элементы. RMS стандартного нормального распределения равно 1.
Kurtosis - нормированный момент четвертого порядка сигнала, указывающий на основные пики в амплитудном распределении. Куртоз - это мера того, насколько подверженным отклонениям является распределение. Куртоз стандартного нормального распределения равен 3. Распределения, которые более подвержены отклонениям, имеют значения куртоза более 3; распределения, которые менее подвержены отклонениям, имеют значения куртоза менее 3. Kurtosis более высокие значения для поврежденных зубчатых передач из-за резких пиков амплитудного распределения сигнала.
Crest Factor (CF) - Отношение пикового значения сигнала к RMS значение, которое указывает на ранние признаки повреждения, особенно когда сигналы вибрации проявляют импульсивные черты.
Вычислено по разностному сигналу
FM4 - Описывает максимальную или плоскую амплитуду разностного сигнала. FM4 нормализуется квадратом дисперсии и обнаруживает неисправности, изолированные только от конечного числа зубьев в зубчатой сетке. FM4 стандартного нормального распределения равно 3.
M6A - Описывает максимальную или плоскую амплитуду разностного сигнала. M6A нормализуется кубом дисперсии и указывает на повреждение поверхности компонентов вращающейся машины. M6A стандартного нормального распределения составляет 15.
M8A - Улучшенная версия M6A индикатор. M8A нормализуется четвертой степенью дисперсии. M8A стандартного нормального распределения составляет 105.
Вычислено на основе комбинации сигналов
FM0 - Сравнивает отношение пикового значения сигнала TSA к энергии регулярного сигнала. FM0 определяет основные аномалии, такие как поломка зуба или тяжелый износ, в схеме зацепления зубчатого колеса.
Energy Ratio (ER) - Отношение между энергией разностного сигнала и энергией регулярной составляющей сетки. Energy Ratio указывает на сильный износ, при котором повреждено множество зубьев на шестерне.
Вычислено из набора остаточных сигналов
NA4 - Улучшенная версия FM4 индикатор. NA4 указывает на начало повреждения и продолжает реагировать на повреждение по мере его распространения и увеличения.
Методы выбора элементов помогают сократить большие наборы данных, исключая метрики условий зубчатой передачи, которые не имеют отношения к выполняемому анализу. В контексте контроля состояния неактуальными являются функции, которые не отделяют работоспособность от неисправной работы или помогают различать различные состояния отказа. Другими словами, выбор признаков означает идентификацию тех показателей передачи, которые подходят для использования в качестве индикаторов состояния, поскольку они изменяются обнаруживаемым и надежным образом по мере снижения производительности коробки передач.
Для выполнения строгой относительной оценки можно ранжировать функции с помощью специализированных статистических методов. Каждый метод оценивает и ранжирует функции по способности различать между группами данных, например между номинальным и ошибочным поведением. Результаты ранжирования позволяют исключить неэффективные элементы и оценить эффекты ранжирования корректировок параметров при вычислении производных переменных или элементов.
| Приложение Diagnostic Feature Designer | Командная строка |
|---|---|
Гистограммы позволяют выполнить начальную оценку эффективности функции. Чтобы выполнить более строгую относительную оценку, можно ранжировать элементы с помощью опции Ранг элементов (Rank Features) специализированными статистическими методами. Используйте параметр Экспорт (Export), чтобы экспортировать выбранные метрики в приложение Classification Learner в Toolbox™ Статистика и машинное обучение (Statistics and Machine Learning). | Можно выбрать одну из следующих функций выбора элементов:
|
После определения набора возможных показателей условий передачи их можно экспортировать в приложение Classification Learner на панели инструментов статистики и машинного обучения. Classification Learner обучает модели классификации данных с помощью автоматических методов тестирования различных типов моделей с набором функций. При этом Classification Learner определяет лучшую модель и наиболее эффективные функции. Для прогностического обслуживания целью использования Classification Learner является выбор и обучение модели, которая различает данные из здоровых и неисправных систем. Эту модель можно включить в алгоритм обнаружения и прогнозирования неисправностей зубчатой передачи.
Классификатор | Конструктор диагностических функций | fscnca | gearConditionMetrics | monotonicity | pca | pcares | prognosability | sequentialfs | tachorpm | trendability | tsa | tsadifference | tsaregular | tsaresidual | tsne