Индикаторы состояния для контроля условия передачи

Метрики мониторинга условия передачи очень важны для разработки коробки передач и ее основанного на времени профилактического обслуживания. Индикаторы позволяют обнаружить аномалии передачи и помогают предотвратить катастрофический отказ до прогрессирования отказа. Условия системы мониторинга касаются различных типов входных данных, для образца вибрации, акустической эмиссии, температуры, анализа нефтяного мусора. Наиболее распространенными типами являются системы, основанные на вибрационном анализе, акустической эмиссии и нефтяном мусоре.

Следующий рисунок иллюстрирует рабочий процесс идентификации метрик условия передачи и их дальнейшей оценки.

Вы можете использовать Diagnostic Feature Designer приложение и функциональность командной строки в Predictive Maintenance Toolbox™, чтобы сделать следующее:

Импорт измеренных или моделируемых данных из отдельных файлов, файла ансамбля или ансамбля datastore.
Выведите новые переменные, такие как синхронные по времени средние (TSA), регулярные, остаточные и разностные сигналы.
Сгенерируйте метрики условия передачи из ваших переменных.
Оцените свои функции так, чтобы вы могли численно определить, какие из них могут лучше всего различать номинальное и дефектное поведение.
Экспортируйте самые эффективные функции непосредственно в приложение Classification Learner для получения дополнительной информации об эффективности функции и для обучения алгоритмов.

Извлечение метрик условия передачи

Из ваших исходных данных выведите сигналы и извлечите метрики условия передачи следующим образом:

Извлечение синхронного среднего (TSA).

Diagnostic Feature Designer приложение	Командная строка
Используйте опцию Time-Synchronous Signal Averaging из раскрывающегося меню Filtering & Averaging.	Используйте `tsa` и `tachorpm` функций.

Выведите регулярные, остаточные и разностные сигналы.

Diagnostic Feature Designer приложение Командная строка

Diagnostic Feature Designer приложение	Командная строка
Используйте опцию Filter Time-Synchronous Averaged Signals из раскрывающегося меню Filtering & Averaging.	Используйте следующие функции: `tsaregular` `tsaresidual` `tsadifference`

Используйте опцию Filter Time-Synchronous Averaged Signals из раскрывающегося меню Filtering & Averaging.

Используйте следующие функции:

Вычислите метрики контроля условия передачи из набора сигналов, полученных с предыдущего шага.

Diagnostic Feature Designer приложение	Командная строка
Используйте опцию Rotating Machinery Features из раскрывающегося меню Time-Domain Features.	Используйте `gearConditionMetrics` функция.

Метрики условия передачи, которые могут идентифицировать точное местоположение отказов, включают следующее:

Вычисляется из сигнала TSA

Root-Mean Square (RMS) - Указывает общее условие коробки передач на более поздних стадиях деградации. RMS чувствителен к нагрузке коробки передач и изменениям скорости. RMS обычно является хорошим показателем общего условия коробок передач, но не хорошим показателем начального отказа зуба. Также полезно обнаруживать несбалансированные вращающиеся элементы. RMS стандартного нормального распределения равняется 1.
Kurtosis - Нормированный момент четвертого порядка сигнала, который указывает основной peaks в амплитудном распределении. Куртоз является мерой того, насколько подвержен выбросам распределение. Куртоз стандартного нормального распределения составляет 3. Распределения, которые более подвержены выбросам, имеют значения куртоза более 3; распределения, которые менее подвержены выбросам, имеют значения куртоза менее 3. Kurtosis значения выше для поврежденных зубчатых составов за счет резкого peaks в амплитудном распределении сигнала.
Crest Factor (CF) - Отношение пикового значения сигнала к RMS значение, которое указывает на ранние признаки повреждения, особенно когда сигналы вибрации проявляют импульсные признаки.

Вычисленный из разностного сигнала

FM4 - Описывает, насколько пиковой или плоской является амплитуда разностного сигнала. FM4 нормирован квадратом отклонения и обнаруживает дефекты, изолированные только до конечного числа зубьев в зубчатом mesh. FM4 стандартного нормального распределения 3.
M6A - Описывает, насколько пиковой или плоской является амплитуда разностного сигнала. M6A нормируется кубом отклонения и указывает на повреждение поверхности вращающихся компонентов машины. M6A стандартного нормального распределения 15.
M8A - Улучшенная версия M6A индикатор. M8A нормирована четвертой степенью отклонения. M8A стандартного нормального распределения 105.

Вычисляется из смеси сигналов

FM0 - Сравнивает отношение пикового значения сигнала TSA к энергии правильного сигнала. FM0 определяет основные аномалии, такие как поломка зуба или тяжелый износ, в шаблоне сетки передачи.
Energy Ratio (ER) - Отношение между энергией разностного сигнала и энергией регулярной составляющей сетки. Energy Ratio указывает на большой износ, при котором повреждается множество зубьев на шестерне.

Вычисляется из набора остаточных сигналов

NA4 - Улучшенная версия FM4 индикатор. NA4 указывает на начало повреждения и продолжает реагировать на повреждение, когда оно распространяется и увеличивается в величине.

Оцените функции и обучите модель

Методов выбора признаков помогают вам уменьшить большие наборы данных путем устранения метрик условия передачи, которые не имеют значения для анализа, который вы пытаетесь выполнить. В контексте мониторинга условия нерелевантными функциями являются те, которые не отделяют здоровье от дефектной операции или помогают различать различные состояния отказа. Другими словами, выбор признаков означает идентификацию тех показателей передачи, которые подходят для того, чтобы служить индикаторами состояния, потому что они изменяются обнаруживаемым, надежным способом, когда эффективность коробки передач ухудшается.

Чтобы выполнить строгую относительную оценку, можно оценить свои функции с помощью специализированных статистических методов. Каждый метод оценивает и ранжирует функции по способности различать между группами данных, например, между номинальным и дефектным поведением. Результаты рейтинга позволяют вам исключить неэффективные функции и оценить рейтинговые эффекты корректировок параметра при вычислении производных переменных или функций.

Diagnostic Feature Designer приложение Командная строка

Diagnostic Feature Designer приложение	Командная строка
Гистограммы позволяют вам выполнить начальную оценку эффективности функций. Чтобы выполнить более строгую относительную оценку, можно оценить свои функции, используя опцию Rank Features, специализированными статистическими методами. Используйте опцию Export, чтобы экспортировать выбранные метрики в приложение Classification Learner в Statistics and Machine Learning Toolbox™.	Можно выбрать из следующих функций выбора признаков: `monotonicity` `prognosability` `trendability` `pca` `pcares` `sequentialfs` `fscnca` `tsne`

Гистограммы позволяют вам выполнить начальную оценку эффективности функций. Чтобы выполнить более строгую относительную оценку, можно оценить свои функции, используя опцию Rank Features, специализированными статистическими методами.

Используйте опцию Export, чтобы экспортировать выбранные метрики в приложение Classification Learner в Statistics and Machine Learning Toolbox™.

Можно выбрать из следующих функций выбора признаков:

После того, как вы определили свой набор метрик условия передачи, можно экспортировать их в приложение Classification Learner в Statistics and Machine Learning Toolbox. Classification Learner обучает модели классифицировать данные с помощью автоматизированных методов для тестирования различных типов моделей с набором функций. При этом Classification Learner определяет лучшую модель и наиболее эффективные функции. Для прогнозирующего обслуживания цель использования Classification Learner состоит в том, чтобы выбрать и обучить модель, которая различит данные от здоровых и от неисправных систем. Можно включить эту модель в алгоритм обнаружения и предсказания отказа зубчатого train.

См. также

Документация