Предварительная обработка данных является вторым этапом рабочего процесса для разработки алгоритмов прогнозирующего обслуживания:
Предварительная обработка данных часто необходима, чтобы очистить данные и преобразовать их в форму, из которой можно извлечь индикаторы состояния. Предварительная обработка данных может включать:
Выбросы и отсутствующего значения, удаление смещения и удаление тренда.
Уменьшение шума, такое как фильтрация или сглаживание.
Преобразования между временными и частотными диапазонами.
Более совершенная обработка сигналов, такая как краткосрочные преобразования Фурье и преобразования в область порядка.
Можно выполнить предварительную обработку данных на массивах или таблицах измеренных или моделируемых данных, которыми вы управляете с помощью хранилищ данных Predictive Maintenance Toolbox™ ensemble, как описано в Data Ensembles для мониторинга условий и прогнозирующего обслуживания. Как правило, вы предварительно обрабатываете свои данные перед анализом, чтобы идентифицировать многообещающий индикатор состояния, количество, которое изменяется предсказуемым образом, когда производительность системы снижается. (См. «Индикаторы состояния» для мониторинга, обнаружения неисправностей и предсказания.) Может быть некоторое перекрытие между шагами предварительной обработки и идентификации индикаторов состояния. Обычно, однако, предварительная обработка приводит к очищенному или преобразованному сигналу, на котором вы выполняете последующий анализ, чтобы конденсировать информацию о сигнале в индикатор состояния.
Понимание вашей машины и типа данных, которые вы имеете, может помочь определить, какие методы предварительной обработки использовать. Например, если вы фильтруете зашумленные данные о вибрации, знание того, какая частотная область значений наиболее вероятно отобразит полезные функции, может помочь вам выбрать методы предварительной обработки. Точно так же может быть полезно преобразовать данные о вибрации коробки передач в область порядка точности, которая используется для вращающихся машин, когда скорость вращения изменяется с течением времени. Однако эта же предварительная обработка не была бы полезной для данных о вибрации от шасси автомобиля, которое является жестким корпусом.
MATLAB® включает многие функции, которые полезны для базовой предварительной обработки данных в массивах или таблицах. К ним относятся функции для:
Очистка данных, таких как fillmissing и filloutliers. Очистка данных использует различные методы для поиска , удаление и замена плохих или отсутствующих данных.
Сглаживание данных, таких как smoothdata и movmean. Используйте сглаживание, чтобы исключить нежелательный шум или высокое отклонение в данных.
Удаление тренда данных, таких как detrend. Удаление тренда из данных позволяет вам фокусировать свой анализ на колебаниях данных о тренде. Хотя тренды могут быть значимыми, другие вызваны систематическими эффектами, и некоторые виды анализа дают лучшее представление после их удаления. Удаление смещений является другим, подобным типом предварительной обработки.
Масштабирование или нормализация данных, таких как rescale. Масштабирование изменяет границы данных и может быть полезным, например, когда вы работаете с данными в разных модулях.
Другой распространенный тип предварительной обработки состоит в извлечении полезного фрагмента сигнала и сбросе других фрагментов. Например, можно отбросить первые пять секунд сигнала, который является частью некоторого переходного процесса запуска, и сохранить только данные об установленной операции. Для примера, который выполняет этот вид предварительной обработки, см. Использование Simulink для генерации данных о отказе.
Для получения дополнительной информации об основных командах предварительной обработки в MATLAB, см. «Предварительная обработка данных».
Фильтрация является другим способом удалить шум или нежелательные компоненты из сигнала. Фильтрация полезна, когда вы знаете, какой частотный диапазон в данных наиболее вероятно отобразит полезные функции для условия мониторинга или предсказания. Базовая функция MATLAB filter позволяет вам фильтровать сигнал с передаточной функцией. Вы можете использовать designfilt чтобы сгенерировать фильтры для использования с filter, таких как ширина полосы пропускания, высокочастотные и низкочастотные фильтры и другие общие формы фильтра. Для получения дополнительной информации об использовании этих функций см. Раздел «Цифровые и аналоговые фильтры».
Если у вас есть лицензия Wavelet Toolbox™, можно использовать вейвлет инструментов для более сложных подходов к фильтру. Например, можно разделить данные на поддиапазоны, обработать данные в каждом поддиапазоне отдельно и рекомбинировать их, чтобы создать измененную версию исходного сигнала. Для получения дополнительной информации о таких фильтрах смотрите Filter Banks (Wavelet Toolbox). Можно также использовать функцию Signal Processing Toolbox™ emd для разложения смешанного сигнала на компоненты с различным частотно-временным поведением.
Predictive Maintenance Toolbox и Signal Processing Toolbox обеспечивают функции, которые позволяют вам изучать и характеризовать вибрации в механических системах во временном интервале. Используйте эти функции для предварительной обработки или извлечения индикаторов состояния. Для примера:
tsa - Удаление шума когерентно с синхронным средним и анализ износа с помощью огибающих спектра. В примере Использование Simulink для генерации данных о отказе используется синхронное среднее для предварительной обработки данных о вибрации.
tsadifference - Удалите регулярный сигнал, боковые полосы первого порядка и другие конкретные боковые полосы с их гармоникой из синхронного усредненного сигнала (TSA).
tsaregular - Изолируйте известный сигнал от сигнала TSA путем удаления остаточного сигнала и определенных боковых полос.
tsaresidual - Изолируйте остаточный сигнал от сигнала TSA путем удаления известных компонентов сигнала и их гармоник.
ordertrack - Используйте анализ порядка для анализа и визуализации спектрального содержимого, происходящего во вращающемся машинном оборудовании. Отслеживайте и извлекайте порядки и их формы волны во временной области.
rpmtrack - Отслеживайте и извлекайте профиль RPM из сигнала вибрации путем вычисления RPM как функции времени.
envspectrum - Вычислите огибающую спектра. Эта огибающая спектра удаляет высокочастотные синусоидальные компоненты из сигнала и фокусируется на низкочастотных модуляциях. Пример Подшипника качения Диагностика отказа использует огибающую спектра для такой предварительной обработки.
Для получения дополнительной информации об этих и связанных функциях смотрите Анализ вибрации.
Для вибрирующих или вращающихся систем на развитие отказа могут указывать изменения в поведении частотного диапазона, такие как изменение резонансных частот или наличие новых вибрационных компонентов. Signal Processing Toolbox обеспечивает много функций для анализа такого спектрального поведения. Часто они применяются в качестве предварительной обработки перед выполнением последующего анализа для извлечения индикаторов состояния. Такие функции включают:
pspectrum - Вычислите спектр мощности, спектр частотно-временной степени или спектрограмму степени сигнала. Спектрограмма содержит информацию о том, как изменяется распределение степени со временем. Пример Мультиклассовое Обнаружение Неисправностей с Использованием Смоделированных Данных выполняет предварительную обработку данных с помощью pspectrum.
envspectrum - Вычислите огибающую спектра. Отказ, который вызывает повторяющийся импульс или шаблон, накладывает амплитудную модуляцию на сигнал вибрации машины. Эта огибающая спектра удаляет высокочастотные синусоидальные компоненты из сигнала и фокусируется на низкочастотных модуляциях. Пример Подшипника качения Диагностика отказа использует огибающую спектра для такой предварительной обработки.
orderspectrum - Вычислите спектр средней амплитуды порядка.
modalfrf - Оцените функцию частотной характеристики сигнала.
Для получения дополнительной информации об этих и связанных функциях смотрите Анализ вибрации.
Signal Processing Toolbox включает функции для анализа систем, поведение частотного диапазона которых изменяется со временем. Такой анализ называется частотно-временным анализом и полезен для анализа и обнаружения переходных или изменяющихся сигналов, связанных с изменениями в производительности системы. Эти функции включают:
spectrogram - Вычислите спектрограмму с помощью кратковременного преобразования Фурье. Спектрограмма описывает локализованное во времени содержимое частоты сигнала и его эволюцию с течением времени. Пример использования мониторинга условия и прогностики с использованием сигналов вибрации spectrogram для предварительной обработки сигналов и помощи в идентификации индикаторов потенциального состояния.
hht - Вычислите спектр Гильберта сигнала. Спектр Гильберта полезен для анализа сигналов, которые состоят из смеси сигналов, спектральное содержимое которых изменяется во времени. Эта функция вычисляет спектр каждого компонента в смешанном сигнале, где компоненты определяются эмпирическим разложением моды.
emd - Вычислите эмпирическое разложение моды сигнала. Это разложение описывает смесь сигналов, анализируемых в спектре Гильберта, и может помочь вам разделить смешанный сигнал для извлечения компонента, чье поведение частота-время изменяется по мере ухудшения производительности системы. Вы можете использовать emd чтобы сгенерировать входы для hht.
kurtogram - Вычислите локализованный во времени спектральный куртоз, который характеризует сигнал путем дифференцирования стационарного поведения Гауссова сигнала от нестационарного или нестационарного поведения в частотной области. В качестве предварительной обработки для других инструментов, таких как огибающий анализ, спектральный куртоз может предоставить ключевые входы, такие как оптимальная полоса. (См. pkurtosis.) Пример Диагностика Отказа Подшипника Качения использует спектральный куртоз для предварительной обработки и извлечения индикаторов состояния.
Для получения дополнительной информации об этих и связанных функциях см. Частотно-временной анализ.
