Основанный на модели индикатор состояния является величиной, выведенной из данных аппроксимации системы в модель и выполняющей дальнейшую обработку с использованием модели. Индикатор состояния захватывает аспекты модели, которые изменяются по мере снижения производительности системы. Модели индикаторов базовых условий могут быть полезны, когда:
Трудно идентифицировать подходящие индикаторы состояния, используя функции только из анализа сигнала. Такая ситуация может возникнуть, когда другие факторы влияют на сигнал, отличный от условия отказа машины. Например, сигналы, которые вы измеряете, могут изменяться в зависимости от одного или нескольких входных сигналов в другом месте системы.
У вас есть знания о системе или базовых процессах, такие что вы можете смоделировать некоторый аспект поведения системы. Например, вы можете знать из знания системы, что существует системный параметр, такой как постоянная времени, который изменится по мере ухудшения системы.
Вы хотите сделать некоторое прогнозирование или симуляцию будущего поведения системы на основе текущих условий системы. (См. Модели для предсказания оставшейся полезной жизни.)
В таких случаях может быть полезно и эффективно подгонять данные к некоторой модели и использовать индикаторы состояния, извлеченные из модели, а не из прямого анализа сигнала. Основанные на модели индикаторы состояния могут быть основаны на любом типе модели, которая подходит для ваших данных и системы, включая как статические, так и динамические модели. Индикаторами состояния, которые вы извлекаете из моделей, могут быть такие величины, как:
Моделируйте параметры, такие как коэффициенты линейной подгонки. Изменение такого значения параметров может быть показателем условия отказа.
Статистические свойства параметров модели, такие как отклонение. Параметр модели, который выходит за пределы статистической области значений, ожидаемого от нормальной производительности системы, может быть показателем отказа.
Динамические свойства, такие как значения состояния системы, полученные путем оценки состояния, или положения полюса или коэффициент демпфирования предполагаемой динамической модели.
Величины, выведенные из симуляции динамической модели.
На практике вам может потребоваться исследовать различные модели и экспериментировать с различными индикаторами состояния, чтобы найти таковые, которая лучше всего подходит для вашей машины, ваших данных и условий отказа. Существует много подходов, которые можно использовать для идентификации основанных на модели индикаторов состояния. В следующих разделах обобщены общие подходы.
Когда у вас есть данные, полученные из операции статической системы, можно попробовать подгонить данные к статической модели и использовать параметры этой модели, чтобы извлечь индикаторы состояния. Например, предположим, что вы генерируете ансамбль данных путем измерения некоторой характеристической кривой в разных машинах, в разное время или при разных условиях. Затем можно подгонять полиномиальную модель к характеристическим кривым и использовать получившиеся полиномиальные коэффициенты в качестве индикаторов состояния.
Пример Диагностика отказа центробежных насосов с использованием экспериментов в установившемся состоянии использует этот подход. Данные в этом примере описывают характеристическое соотношение между головкой насоса и скорости потока жидкости, измеренное в ансамбле насосов во время здоровой установившейся операции. Пример выполняет простую линейную подгонку, чтобы описать эту характеристическую кривую. Поскольку существует некоторое изменение параметров наилучшей аппроксимации по всему ансамблю, пример использует полученные параметры для определения распределения и доверительной области для параметров аппроксимации. Выполнение той же подгонки с тестовыми данными набором параметров выражений и сравнение этих параметров с распределением приводит к вероятности отказа.
Можно также использовать статические модели, чтобы сгенерировать сгруппированные распределения здоровых и неисправных данных. Когда вы получаете новую точку из тестовых данных, можно использовать проверку гипотезы, чтобы определить, к какому распределению наиболее вероятно принадлежит точка.
Для динамических систем изменения в измеренных сигналах (выходах) зависят от изменений в сигналах в другом месте системы (входах). Можно использовать динамическую модель такой системы для генерации индикаторов состояния. Некоторые динамические модели основаны как на входных, так и на выходных данных, в то время как другие могут подгоняться только на основе выходных данных timeseries. Вам не обязательно нужна известная модель базовых динамических процессов, чтобы выполнить такой подбор кривой модели. Однако системные знания могут помочь вам выбрать тип или структуру модели для подгонки.
Некоторые функции, которые можно использовать для подбора кривой, включают:
ssest - оцените модель пространства состояний из входно-выходных данных во временной области или данных частотной характеристики.
ar - Оцените модель авторекурсии (AR) методом наименьших квадратов из данного timeseries.
nlarx - Моделируйте нелинейное поведение с помощью динамических оценок нелинейности, таких как вейвлет, древовидное разбиение и сигмоидные сети.
Существуют также рекурсивные функции оценки, которые позволяют вам подгонять модели в реальном времени, когда вы собираете данные, такие как recursiveARX. Пример «Обнаружение резких системных изменений с помощью методов идентификации» иллюстрирует этот подход.
Для получения дополнительной информации о функциях, которые можно использовать для подбора кривой модели, см. Раздел «Идентификация индикаторов состояния».
Любой параметр модели может служить полезным индикатором состояния. Как и в случае со статическими моделями, изменения параметров модели или значений за пределами статистических доверительных границ могут быть показательными для условий отказа. Для примера, если вы идентифицируете модель пространства состояний используя ssest, положения полюса или коэффициенты демпфирования могут измениться по мере развития условия отказа. Можно использовать линейные функции анализа, такие как damp, pole, и zero для извлечения динамики из предполагаемой модели.
Другой подход - modalfit, который идентифицирует динамические характеристики путем разделения сигнала на несколько режимов с различными функциями частотной характеристики.
Иногда вы понимаете некоторую динамику вашей системы и можете представлять их с помощью дифференциальных уравнений или структур модели с неизвестными параметрами. Например, вы можете вывести модель своей системы с точки зрения физических параметров, таких как постоянные времени, резонансные частоты или коэффициенты демпфирования, но точные значения таких параметров неизвестны. В этом случае можно использовать линейные или нелинейные модели grey-box для оценки значений параметров и отслеживания изменения этих значений параметров при различных условиях отказа. Некоторые функции для вас могут использоваться для оценки серого ящика, включая pem и nlarx.
Simulink® модель также может служить серой коробчатой моделью для оценки параметра. Вы можете использовать Simulink, чтобы смоделировать систему как в исправных, так и в дефектных условиях с помощью физически значимых параметров и оценить значения этих параметров на основе системных данных (для образца, используя инструменты в Simulink Design Optimization™).
Другой способ использования динамической модели - это симулировать модель и сравнить результат с реальными данными, на которых была основана модель. Различие между данными системы и результатами моделирования оценочной модели называется residual signal. Пример Обнаружение отказов центробежных насосов с использованием анализа невязок анализирует остаточный сигнал оцененного nlarx модель. Пример вычисляет несколько статистические и спектральные функции остаточного сигнала. Он проверяет эти индикаторы состояния кандидата, чтобы определить, которые обеспечивают самое четкое различие между здоровой операцией и несколькими различными дефектными состояниями.
Другой остаточный подход состоит в том, чтобы идентифицировать несколько моделей для данных ансамбля, представляющих различные здоровые и отказные условия. Для тестовых данных вы затем вычисляете невязки для каждой из этих моделей. Модель, которая приводит к наименьшему остаточному сигналу (и, следовательно, лучшей подгонке), указывает, какое исправное условие или отказ, скорее всего, применяется к тестовым данным.
Для остаточного анализа идентифицированной модели, полученной с помощью таких команд, как nlarx, ar, или ssest, использовать:
Как и в случае с индикаторами состояния, основанными на параметрах, можно также использовать Simulink, чтобы создать модели для остаточного анализа. Пример Обнаружение отказа с использованием основанных на данных моделей также иллюстрирует подход остаточного анализа, используя модель, идентифицированную из моделируемых данных.
Значения состояний системы могут также служить индикаторами состояния. Состояния системы соответствуют физическим параметрам, и, следовательно, резкие или неожиданные изменения в значениях состояний могут указывать на условия отказа. Оценки состояния, такие как unscentedKalmanFilter, extendedKalmanFilter, и particleFilter позволяет вам отслеживать значения состояний системы в реальном времени, контролировать такие изменения. Следующие примеры иллюстрируют использование оценок состояния для обнаружения отказа:
