Индикатор состояния на основе сигнала представляет собой величину, полученную из данных сигнала обработки. Индикатор состояния фиксирует некоторую особенность сигнала, которая изменяется надежным образом по мере снижения производительности системы. При разработке алгоритмов прогностического обслуживания используется такой индикатор состояния, чтобы отличать здоровую от неисправной работу машины. Кроме того, можно использовать тренды в индикаторе состояния для определения ухудшения характеристик системы, указывающих на износ или другие возникающие отказы.
Индикаторы состояния на основе сигнала могут быть извлечены с использованием любого типа обработки сигнала, включая анализ временной области, частотной области и временной частоты. Примеры индикаторов состояния на основе сигнала включают в себя:
Среднее значение сигнала, изменяющегося при изменении производительности системы
Величина, измеряющая хаотическое поведение в сигнале, наличие которого может указывать на состояние неисправности
Пиковая величина в спектре сигнала или частота, на которой возникает пиковая величина, если изменения в таком поведении в частотной области указывают на изменение условий работы машины.
На практике, возможно, потребуется изучить ваши данные и поэкспериментировать с различными индикаторами состояния, чтобы найти те, которые лучше всего подходят вашей машине, вашим данным и условиям отказа. Существует множество функций, которые можно использовать для анализа сигналов для генерации индикаторов условий на основе сигналов. Некоторые из них резюмируются в следующих разделах. Эти функции можно использовать для сигналов в массивах или расписаниях, таких как сигналы, извлеченные из хранилища данных ансамбля. (См. раздел Ансамбли данных для мониторинга состояния и предиктивного технического обслуживания.)
Для некоторых систем простые статистические характеристики временных сигналов могут служить индикаторами состояния, отличающими условия отказа от здоровых условий. Например, среднее значение конкретного сигнала (mean) или его стандартное отклонение (std) может изменяться по мере ухудшения состояния системы. Или вы можете попробовать моменты более высокого порядка сигнала, такие как skewness и kurtosis. С помощью таких функций можно попытаться определить пороговые значения, которые отличают работоспособную работу от неисправной, или найти резкие изменения в значении, которые отмечают изменения в состоянии системы.
Другие функции, которые можно использовать для извлечения простых функций временной области:
В системах, которые проявляют хаотические сигналы, некоторые нелинейные свойства могут указывать на внезапные изменения в поведении системы. Такие нелинейные признаки могут быть полезны при анализе вибрационных и акустических сигналов от таких систем, как подшипники, шестерни и двигатели. Они могут отражать изменения в траектории фазового пространства базовой динамики системы, которые происходят еще до возникновения состояния отказа. Таким образом, мониторинг динамических характеристик системы с использованием нелинейных признаков может помочь выявить потенциальные неисправности ранее, например, когда подшипник слегка изношен.
Прогнозирующее техническое обслуживание Toolbox™ включает в себя несколько функций для вычисления функций нелинейного сигнала. Эти величины представляют различные способы характеристики уровня хаоса в системе. Увеличение хаотического поведения может указывать на развивающееся состояние неисправности.
lyapunovExponent - вычислить наибольшую экспоненту Ляпунова, характеризующую скорость разделения близлежащих фазово-пространственных траекторий.
approximateEntropy - оценка приближенной энтропии сигнала временной области. Приблизительная энтропия количественно определяет величину регулярности или неравномерности в сигнале.
correlationDimension - оценить корреляционную размерность сигнала, которая является мерой размерности фазового пространства, занятого сигналом. Изменения в размерности корреляции указывают на изменения в фазово-пространственном поведении базовой системы.
Вычисление этих нелинейных элементов основано на phaseSpaceReconstruction функция, которая восстанавливает фазовое пространство, содержащее все динамические системные переменные.
В примере «Использование Simulink для генерации данных об отказах» используются как простые функции временной области, так и эти нелинейные функции в качестве кандидатов для диагностики различных состояний отказа. В примере вычисляются все элементы для каждого члена моделируемого ансамбля данных и используется результирующая таблица элементов для обучения классификатора.
Для некоторых систем спектральный анализ может генерировать признаки сигнала, которые полезны для различения здоровых и неисправных состояний. Некоторые функции, которые можно использовать для вычисления индикаторов состояния частотной области:
meanfreq - средняя частота спектра мощности сигнала.
powerbw - 3-dB полосы пропускания мощности сигнала.
findpeaks - Значения и местоположения локальных максимумов в сигнале. При предварительной обработке сигнала путем его преобразования в частотную область findpeaks может дать вам частоты спектральных пиков.
В примере Мониторинг состояния и прогнозирование с использованием вибрационных сигналов используется такой анализ частотной области для извлечения индикаторов состояния.
Список функций, которые можно использовать для извлечения функций частотной области, см. в разделе Идентификация индикаторов условий.
Частотно-временные спектральные свойства являются еще одним способом охарактеризовать изменения спектрального содержания сигнала во времени. Доступные функции для вычисления показателей состояния на основе частотно-временного спектрального анализа включают в себя:
pkurtosis - Вычислить спектральный куртоз, характеризующий сигнал путём дифференцирования стационарного гауссова поведения сигнала от нестационарного или негауссова поведения в частотной области. Спектральный куртоз принимает малые значения на частотах, где присутствует только стационарный гауссов шум, и большие положительные значения на частотах, где происходят переходные процессы. Спектральный куртоз может быть индикатором состояния сам по себе. Вы можете использовать kurtogram для визуализации спектрального куртоза перед извлечением признаков с помощью pkurtosis. В качестве предварительной обработки для других инструментов, таких как анализ огибающей, спектральный куртоз может обеспечивать ключевые входные данные, такие как оптимальная полоса пропускания.
pentropy - вычислить спектральную энтропию, которая характеризует сигнал, обеспечивая меру его информационного содержания. Если вы ожидаете, что плавная работа машины приведет к равномерному сигналу, такому как белый шум, более высокое содержание информации может указывать на механический износ или неисправности.
В примере «Диагностика неисправности подшипника элемента качения» используются спектральные характеристики данных о неисправности для вычисления индикатора состояния, который различает два различных состояния неисправности в системе подшипника.
Частотно-временные моменты обеспечивают эффективный способ характеристики нестационарных сигналов, сигналы которых изменяются во времени. Классический анализ Фурье не может фиксировать изменяющееся во времени поведение частоты. Частотно-временные распределения, генерируемые кратковременным преобразованием Фурье или другими методами частотно-временного анализа, могут фиксировать изменяющееся во времени поведение. Частотно-временные моменты обеспечивают способ более компактной характеристики таких частотно-временных распределений. Существует три типа частотно-временных моментов:
tfsmoment - Условный спектральный момент, представляющий собой изменение спектрального момента во времени. Таким образом, например, для второго условного спектрального момента, tfsmoment возвращает мгновенную дисперсию частоты в каждый момент времени.
tftmoment - условный временной момент, представляющий собой изменение временного момента с частотой. Таким образом, например, для второго условного временного момента, tftmoment возвращает дисперсию сигнала на каждой частоте.
tfmoment - Совместный момент времени и частоты. Эта скалярная величина фиксирует момент как по времени, так и по частоте.
Можно также вычислить мгновенную частоту как функцию времени, используя instfreq.