Приложение Diagnostic Feature Designer позволяет вам в интерактивном режиме анализировать данные и разрабатывать функции, которые могут различать данные от здоровых систем и деградированных систем. Приложение работает над сбором данных измерений и информации из набора подобных систем, таких как машины. Чтобы использовать приложение, вы должны сначала организовать свои данные в форму, которую может импортировать приложение. Один из способов организовать ваши данные с помощью числовых матриц, которые могут захватить все ваши данные измерений. Тем не менее, вы также можете использовать более гибкие форматы, такие как таблицы, которые позволяют включать дополнительную информацию, такую как состояние здоровья и условия работы. С помощью этой информации вы можете исследовать функции в приложении и оценить способность функции различать различные конкретные условия.
Анализ данных является сердцем любого мониторинга условия и прогнозирующей деятельности по обслуживанию.
Данные могут быть получены из измерений в системах с помощью датчиков, таких как акселерометры, давление измерители, термометры, высотомеры, вольтметры и тахометры. Например, вы можете иметь доступ к измеренным данным от:
Нормальная операция системы
Система, работающая в неисправном условии
Жизненная запись операции системы (run-to-failure данные)
Для проекта алгоритма можно также использовать моделируемые данные, сгенерированные при запуске Simulink® модель вашей системы в различных рабочих и отказных условиях.
Независимо от того, используете ли вы измеренные данные, сгенерированные данные или оба, у вас часто есть много сигналов, варьирующихся в течение временного интервала или нескольких временных интервалов. Вы также можете иметь сигналы от многих машин (для примера, измерения от ряда отдельных двигателей все изготовленные к тем же спецификациям). И у вас могут быть данные, представляющие как нормальную операцию, так и условия отказа. Оценка эффективных функций для прогнозирующего обслуживания требует организации и анализа этих данных с одновременным отслеживанием систем и условий, которые представляют данные.
Основным модулем для организации и управления многогранными наборами данных в Predictive Maintenance Toolbox™ является ансамбль данных. ensemble является сбором наборов данных, созданным путем измерения или симуляции системы при меняющихся условиях.
Например, рассмотрим систему коробки передач, в которой у вас есть акселерометр для измерения вибрации и тахометр для измерения вращения вала двигателя. Предположим, что вы запускаете двигатель в течение пяти минут и записываете 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 многих одинаковых двигателей, и вы записываете данные со всех из них. Это дает семейство наборов данных.
Это семейство наборов данных является ensemble, и каждая строка в ансамбле является member ансамбля.
Представители ансамбля связаны тем, что они содержат одни и те же переменные данных. Например, в проиллюстрированном ансамбле все представители включают те же четыре переменные: идентификатор двигателя, сигналы вибрации и тахометра и возраст двигателя. В этом примере каждый представитель соответствует другой машине. Ваш ансамбль может также включать этот набор переменных данных, записанных с той же машины в разное время. Например, следующий рисунок показывает ансамбль, который включает в себя несколько наборов данных из того же двигателя, записанного с возрастом двигателя.
На практике данные для каждого представителя ансамбля обычно хранятся в отдельном файле данных. Таким образом, например, у вас может быть один файл, содержащий данные для двигателя 01 на 9500 милях, другой файл, содержащий данные для двигателя 01 на 21250 милях и так далее.
Переменные в вашем ансамбле служат разным целям, и соответственно могут быть сгруппированы в несколько типов:
Data variables (DV) - Основное содержимое представителей ансамбля, включая измеренные данные и полученные данные, которые вы используете для анализа и разработки прогнозирующих алгоритмов обслуживания. Для примера, в проиллюстрированных ансамблях коробки передач, Vibration и Tachometer являются переменными данных. Переменные данных могут также включать в себя выведенные значения, такие как среднее значение сигнала или частота пиковой величины в спектре сигнала.
Independent variables (IV) - переменные, которые идентифицируют или заказывают представителей ансамбля, такие как метки времени, количество часов работы или идентификаторы машин. В ансамбле измеренных данных коробки передач, Age является независимой переменной.
Condition variables (CV) - Переменные, которые описывают условие отказа или рабочее условие представителя ансамбля. Переменные состояния могут регистрировать наличие или отсутствие состояния отказа или других условий работы, таких как температура окружающей среды. В ансамблевом коробке передач данные, sensor health может быть переменной условия, состояние которой известно для каждого двигателя. Переменные условия также могут быть производными от значений, таких как одно скалярное значение, которое кодирует множественный отказ и рабочие условия.
Переменные данных и независимые переменные обычно имеют много элементов. Переменные условия часто являются скалярами. В приложении переменные условия должны быть скалярами.
Можно использовать один из трех общих подходов, чтобы объединить данные ансамбля и импортировать их в приложение. Все эти подходы требуют, чтобы представители ансамбля содержали одинаковые переменные.
Импортируйте ваши данные в виде отдельных наборов данных - по одному для каждого представителя - и дайте приложению объединить эти наборы данных в ансамбль.
Этот подход требует наименьшей настройки перед импортом данных. Этот подход практичен только, когда у вас есть небольшое количество наборов данных. Если требуется обновить ансамбль с новыми представителями, необходимо импортировать все представители снова.
Импортируйте один набор данных ансамбля, который вы создаете из наборов данных представителей. Каждая строка набора данных ансамбля представляет одного из ваших представителей.
Этот подход требует большей настройки перед импортом данных. Это более практично, чем индивидуальный подход, когда у вас есть большие наборы представителей. если вы хотите обновить ансамбль с новыми представителями, вы можете сделать это за пределами приложения, добавив к существующей таблице. Затем импортируйте обновленную таблицу.
Пример создания ансамбля набора данных из отдельных матриц представителей см. в разделе Подготовка матричных данных для Diagnostic Feature Designer
Импортируйте ensemble datastore object, который содержит только имена и пути файлов представителей, а не импортируйте сами данные. Этот объект также включает информацию, необходимую приложению для взаимодействия с внешними файлами.
Этот подход является лучшим, когда у вас есть большие объемы данных и переменных. Ensemble datastores могут помочь вам работать с такими данными, будь то локально или в удаленном месте, таком как облачное хранилище с помощью Amazon S3™ (Simple Storage Service), Windows Azure® Хранилище больших двоичных объектов или Hadoop® Распределенная файловая система (HDFS™).
Как правило, когда вы начинаете исследовать свои данные в приложении, вы хотите импортировать относительно небольшое количество представителей и переменных. Однако позже вы, возможно, захотите протестировать свои выводы по эффективности функций, введя больший размер выборки. Ансамбль datastore является одним из методов обработки большего объема данных, особенно если размер данных превышает ограничения памяти для MATLAB®.
Для получения дополнительной информации об объектах ensemble datastore смотрите Data Ensembles для мониторинга условия и прогнозирующего обслуживания.
Приложение принимает различные типы данных, включая числовые матрицы и таблицы, которые содержат скаляры с переменными состояний и встроенные расписания измерений.
Перед импортом данных он должен быть уже чистым, с предварительной обработкой, такие как выбросы и удаление отсутствующих значений. Для получения дополнительной информации см. «Предварительная обработка данных для мониторинга условий и прогнозирующего обслуживания».
Для получения дополнительной информации о типах данных и ограничениях, а также о фактическом импорте данных, смотрите Импорт данных в Diagnostic Feature Designer.
fileEnsembleDatastore | simulationEnsembleDatastore | table | timetable
