Приложение Diagnostic Feature Designer позволяет интерактивно анализировать данные и разрабатывать функции, позволяющие отличать данные от работоспособных систем и деградировавших систем. Приложение работает на сборе данных измерений и информации из набора подобных систем, таких как машины. Чтобы использовать приложение, необходимо сначала упорядочить данные в форму, которую приложение может импортировать. Одним из способов упорядочения данных является использование цифровых матриц, которые позволяют получать все данные измерений. Однако можно также использовать более гибкие форматы, такие как таблицы, которые позволяют включать дополнительную информацию, такую как состояние и условия эксплуатации. С помощью этой информации вы можете исследовать функции в приложении и оценить способность функций различать различные конкретные условия.
Анализ данных является центральным элементом любого мониторинга состояния и прогностического технического обслуживания.
Данные могут быть получены в результате измерений в системах с использованием таких датчиков, как акселерометры, манометры, термометры, высотомеры, вольтметры и тахометры. Например, можно получить доступ к измеренным данным из:
Нормальная работа системы
Система, работающая в неисправном состоянии
Запись срока эксплуатации системы (данные о пробеге)
Для разработки алгоритма можно также использовать смоделированные данные, сгенерированные при запуске модели Simulink ® в системе в различных рабочих условиях и условиях отказа .
Независимо от того, используются ли измеренные данные, сгенерированные данные или и то, и другое, часто имеется множество сигналов в пределах промежутка времени или нескольких интервалов времени. Также могут поступать сигналы от многих машин (например, измерения от нескольких отдельных двигателей, изготовленных в соответствии с одними и теми же спецификациями). И у вас могут быть данные, представляющие как нормальные условия работы, так и отказы. Оценка эффективных функций для прогностического обслуживания требует организации и анализа этих данных при одновременном отслеживании систем и условий, которые представляют данные.
Основным подразделением по организации и управлению многогранными наборами данных в Toolbox™ предиктивного обслуживания является ансамбль данных. Ансамбль представляет собой совокупность наборов данных, созданных путем измерения или моделирования системы в различных условиях.
Например, рассмотрим систему коробки передач, в которой имеется акселерометр для измерения вибрации и тахометр для измерения вращения вала двигателя. Предположим, что двигатель работает в течение пяти минут и записывает измеренные сигналы как функцию времени. Вы также записываете возраст двигателя, измеренный в милях. Эти измерения дают следующий набор данных.
Теперь предположим, что у вас есть парк из множества одинаковых двигателей, и вы записываете данные со всех из них. Это дает семейство наборов данных.
Это семейство наборов данных - ансамбль, а каждый ряд в ансамбле - участник ансамбля.
Члены ансамбля связаны тем, что содержат одни и те же переменные данных. Например, в проиллюстрированном ансамбле все члены включают одни и те же четыре переменные: идентификатор двигателя, сигналы вибрации и тахометра и возраст двигателя. В этом примере каждый элемент соответствует отдельной машине. Ансамбль может также включать в себя набор переменных данных, записанных с одной и той же машины в разное время. Например, следующая иллюстрация показывает ансамбль, который включает в себя множество наборов данных из одного и того же механизма, записанных как двигатель устаревает.
На практике данные для каждого члена ансамбля обычно хранятся в отдельном файле данных. Так, например, можно иметь один файл, содержащий данные для двигателя 01 на 9500 миль, другой файл, содержащий данные для двигателя 01 на 21250 милях и т.д.
Переменные в вашем ансамбле служат различным целям и соответственно могут быть сгруппированы в несколько типов:
Переменные данных (DV) - основное содержание участников ансамбля, включая измеренные данные и производные данные, которые используются для анализа и разработки алгоритмов прогностического обслуживания. Например, в иллюстрированных ансамблях коробки передач, Vibration и Tachometer - переменные данных. Переменные данных могут также включать в себя производные значения, такие как среднее значение сигнала или частота пиковой величины в спектре сигнала.
Независимые переменные (IV) - переменные, идентифицирующие или упорядочивающие участников ансамбля, такие как метки времени, количество рабочих часов или идентификаторы машин. В ансамбле измеряемых данных коробки передач, Age является независимой переменной.
Переменные состояния (CV) - переменные, описывающие состояние отказа или рабочее состояние члена ансамбля. Переменные состояния могут регистрировать наличие или отсутствие состояния отказа или других рабочих условий, таких как температура окружающей среды. В данных редуктора ансамбля, sensor health может быть переменной условия, состояние которой известно для каждого модуля. Переменные условий также могут быть производными значениями, такими как одно скалярное значение, которое кодирует несколько условий отказа и работы.
Переменные данных и независимые переменные обычно имеют множество элементов. Переменные условий часто являются скалярами. В приложении переменные условия должны быть скалярами.
Можно использовать один из трех общих подходов для объединения данных ансамбля и их импорта в приложение. Все эти подходы требуют, чтобы все участники ансамбля содержали одни и те же переменные.
Импортируйте свои данные в виде отдельных наборов данных - по одному для каждого участника - и дайте приложению объединить эти наборы данных в ансамбль.
Этот подход требует наименьшей настройки перед импортом данных. Этот подход практичен только при наличии небольшого количества наборов данных. Если требуется обновить ансамбль новыми участниками, необходимо снова импортировать всех участников.
Импортируйте один набор данных ансамбля, созданный из наборов данных участников. Каждая строка набора данных ансамбля представляет одного из ваших участников.
Этот подход требует дополнительной настройки перед импортом данных. Это более практично, чем индивидуальный подход, когда у вас больше наборов участников. если вы хотите обновить ансамбль новыми участниками, вы можете сделать это за пределами приложения, добавив его в существующую таблицу. Затем импортируйте обновленную таблицу.
Пример создания набора данных ансамбля из отдельных матриц элементов см. в разделе Подготовка матричных данных для конструктора диагностических функций.
Импортируйте объект хранилища данных ансамбля, который содержит только имена и пути файлов-членов, а не сами данные. Этот объект также содержит информацию, необходимую приложению для взаимодействия с внешними файлами.
Этот подход лучше всего использовать при наличии больших объемов данных и переменных. Хранилища данных Ensemble могут помочь в работе с такими данными, независимо от того, хранятся ли они локально или в удаленном месте, например в облачном хранилище с помощью Amazon S3™ (Simple Storage Service), Windows Azure ® Blob Storage или распределенной файловой системы Hadoop ® (HDFS™).
Как правило, при изучении данных в приложении требуется импортировать относительно небольшое количество элементов и переменных. Однако позже вы можете проверить свои выводы об эффективности функций, введя больший размер выборки. Хранилище данных ансамбля является одним из методов обработки большего объема данных, особенно если размер данных превышает ограничения памяти для MATLAB ®.
Дополнительные сведения об объектах хранилища данных ансамбля см. в разделе Ансамбли данных для мониторинга условий и предиктивного обслуживания.
Приложение принимает различные типы данных, включая числовые матрицы и таблицы, которые содержат скаляры переменных условий и встроенные графики измерений.
Перед импортом данных они должны быть уже чистыми с предварительной обработкой, такой как удаление отклонений и отсутствующих значений. Дополнительные сведения см. в разделе Предварительная обработка данных для контроля состояния и предиктивного обслуживания.
Подробные сведения о типах данных и ограничениях, а также о фактическом импорте данных см. в разделе Импорт данных в конструктор диагностических функций.
fileEnsembleDatastore | simulationEnsembleDatastore | table | timetable