Предварительная обработка данных является вторым этапом рабочего процесса разработки алгоритма предиктивного обслуживания:
Предварительная обработка данных часто необходима для очистки данных и их преобразования в форму, из которой можно извлечь индикаторы условий. Предварительная обработка данных может включать в себя:
Удаление отклонений и отсутствующих значений, удаление смещения и умаление.
Уменьшение шума, например, фильтрация или сглаживание.
Преобразования между временной и частотной областью.
Более совершенная обработка сигналов, такая как кратковременные преобразования Фурье и преобразования в область порядка.
Предварительную обработку данных можно выполнять в массивах или таблицах измеренных или смоделированных данных, управление которыми осуществляется с помощью хранилищ данных Predictive Maintenance Toolbox™ Ensemble, как описано в разделе Ансамбли данных для мониторинга условий и предиктивного обслуживания. Как правило, данные предварительно обрабатываются перед их анализом для определения индикатора перспективного условия, количества, которое изменяется предсказуемым образом по мере снижения производительности системы. (См. Индикаторы состояния для мониторинга, обнаружения неисправностей и прогнозирования.) Шаги предварительной обработки и идентификации индикаторов условий могут частично перекрываться. Однако обычно предварительная обработка приводит к очищенному или преобразованному сигналу, по которому выполняется дальнейший анализ для конденсации сигнальной информации в индикатор условия.
Понимание вашей машины и типа данных, которые у вас есть, может помочь определить, какие методы предварительной обработки использовать. Например, если вы фильтруете шумные вибрационные данные, знание того, в каком диапазоне частот наиболее вероятно отображение полезных функций, поможет вам выбрать методы предварительной обработки. Аналогично, может быть полезно преобразовать данные о вибрации коробки передач в область порядка, которая используется для вращающихся машин, когда скорость вращения изменяется с течением времени. Однако такая же предварительная обработка не была бы полезной для данных вибрации от шасси автомобиля, которое является жестким кузовом.
MATLAB ® включает множество функций, которые полезны для базовой предварительной обработки данных в массивах или таблицах. К ним относятся функции для :
Очистка данных, например fillmissing и filloutliers. При очистке данных используются различные методы поиска, удаления и замены неверных или отсутствующих данных.
Сглаживание данных, например smoothdata и movmean. Используйте сглаживание, чтобы исключить нежелательный шум или высокую дисперсию в данных.
Сдерживание данных, таких как detrend. Удаление тренда из данных позволяет сосредоточить анализ на колебаниях данных о тренде. В то время как тенденции могут быть значимыми, другие обусловлены систематическими эффектами, и некоторые типы анализов дают лучшее понимание после их удаления. Удаление смещений является другим, аналогичным типом предварительной обработки.
Масштабирование или нормализация данных, например rescale. Масштабирование изменяет границы данных и может быть полезным, например, при работе с данными в различных единицах.
Другим распространенным типом предварительной обработки является извлечение полезной части сигнала и отбрасывание других частей. Например, можно отбросить первые пять секунд сигнала, который является частью некоторого переходного процесса запуска, и сохранить только данные из стационарного режима работы. Пример выполнения такого рода предварительной обработки см. в разделе Использование Simulink для генерации данных об отказах.
Дополнительные сведения об основных командах предварительной обработки в MATLAB см. в разделе Данные предварительной обработки.
Фильтрация является еще одним способом удаления шума или нежелательных компонентов из сигнала. Фильтрация полезна, когда вы знаете, какой диапазон частот в данных, скорее всего, будет отображать полезные функции для мониторинга или прогнозирования состояния. Основная функция MATLAB filter позволяет фильтровать сигнал с помощью передаточной функции. Вы можете использовать designfilt для создания фильтров для использования с filter, такие как полосы пропускания, фильтры верхних и нижних частот и другие общие формы фильтров. Дополнительные сведения об использовании этих функций см. в разделе Цифровые и аналоговые фильтры.
При наличии лицензии на вейвлет- Toolbox™ можно использовать вейвлет-инструменты для более сложных подходов к фильтрам. Например, можно разделить данные на поддиапазоны, обработать данные в каждом поддиапазоне по отдельности и рекомбинировать их для построения модифицированной версии исходного сигнала. Дополнительные сведения о таких фильтрах см. в разделе Банки фильтров (инструментарий вейвлета). Также можно использовать функцию Toolbox™ обработки сигналов. emd разложение смешанного сигнала на компоненты с различным частотно-временным поведением.
Предиктивные средства технического обслуживания и средства обработки сигналов предоставляют функции, позволяющие изучать и характеризовать вибрации в механических системах во временной области. Эти функции используются для предварительной обработки или экстракции индикаторов условий. Например:
tsa - Устранять шум последовательно с синхронным усреднением времени и анализировать износ с помощью огибающих спектров. В примере «Использование Simulink для генерации данных об отказах» используется синхронное усреднение времени для предварительной обработки данных вибрации.
tsadifference - Удаление регулярного сигнала, боковых полос первого порядка и других конкретных боковых полос с их гармониками из сигнала усредненного времени (TSA).
tsaregular - изолировать известный сигнал от сигнала TSA путем удаления остаточного сигнала и определенных боковых полос.
tsaresidual - Изолировать остаточный сигнал от сигнала TSA путем удаления известных составляющих сигнала и их гармоник.
ordertrack - Использовать анализ заказов для анализа и визуализации спектрального содержания, происходящего во вращающихся машинах. Отслеживание и извлечение заказов и их сигналов временной области.
rpmtrack - Отслеживание и извлечение профиля оборотов из сигнала вибрации путем вычисления оборотов в зависимости от времени.
envspectrum - Вычислить спектр огибающей. Спектр огибающей удаляет высокочастотные синусоидальные компоненты из сигнала и фокусируется на низкочастотных модуляциях. В примере диагностики неисправностей подшипников качения используется спектр огибающей для такой предварительной обработки.
Дополнительные сведения об этих и связанных с ними функциях см. в разделе Анализ вибрации.
Для вибрационных или вращающихся систем развитие неисправности может быть обозначено изменениями в поведении в частотной области, такими как изменение резонансных частот или наличие новых вибрационных компонентов. Инструментарий обработки сигналов предоставляет множество функций для анализа такого спектрального поведения. Часто они используются в качестве предварительной обработки перед выполнением дальнейшего анализа для извлечения индикаторов условий. К таким функциям относятся:
pspectrum - Вычислить спектр мощности, частотно-временной спектр мощности или спектрограмму мощности сигнала. Спектрограмма содержит информацию о том, как распределение мощности изменяется со временем. Пример Многоклассное обнаружение отказов с использованием моделируемых данных выполняет предварительную обработку данных с использованием pspectrum.
envspectrum - Вычислить спектр огибающей. Неисправность, которая вызывает повторяющийся импульс или шаблон, будет вызывать амплитудную модуляцию сигнала вибрации механизма. Спектр огибающей удаляет высокочастотные синусоидальные компоненты из сигнала и фокусируется на низкочастотных модуляциях. В примере диагностики неисправностей подшипников качения используется спектр огибающей для такой предварительной обработки.
orderspectrum - Вычислить средний спектр по порядку.
modalfrf - Оценить частотно-ответную функцию сигнала.
Дополнительные сведения об этих и связанных с ними функциях см. в разделе Анализ вибрации.
Панель инструментов обработки сигналов включает функции для анализа систем, поведение в частотной области которых изменяется со временем. Такой анализ называется частотно-временным анализом и полезен для анализа и обнаружения переходных или изменяющихся сигналов, связанных с изменениями в рабочих характеристиках системы. К этим функциям относятся:
spectrogram - Вычисление спектрограммы с использованием кратковременного преобразования Фурье. Спектрограмма описывает локализованное во времени частотное содержание сигнала и его эволюцию во времени. Пример использования мониторинга состояния и прогнозирования с использованием вибрационных сигналов spectrogram для предварительной обработки сигналов и определения показателей потенциального состояния.
hht - вычислить спектр Гильберта сигнала. Спектр Гильберта полезен для анализа сигналов, которые содержат смесь сигналов, спектральное содержание которых изменяется во времени. Эта функция вычисляет спектр каждого компонента в смешанном сигнале, где компоненты определяются эмпирическим модовым разложением.
emd - вычислить эмпирическую модовую декомпозицию сигнала. Это разложение описывает смесь сигналов, проанализированных в спектре Гильберта, и может помочь отделить смешанный сигнал для извлечения компонента, частотно-временное поведение которого изменяется по мере снижения производительности системы. Вы можете использовать emd для формирования входных данных для hht.
kurtogram - вычисляют локализованный во времени спектральный куртоз, характеризующий сигнал путем дифференцирования стационарного гауссова поведения сигнала от нестационарного или негауссова поведения в частотной области. В качестве предварительной обработки для других инструментов, таких как анализ огибающей, спектральный куртоз может обеспечивать ключевые входные данные, такие как оптимальная полоса. (см. pkurtosis.) В примере «Диагностика неисправностей подшипников качения» используется спектральный куртоз для предварительной обработки и извлечения индикаторов состояния.
Дополнительные сведения об этих и связанных с ними функциях см. в разделе Частотно-временной анализ.