Основанный на сигналах индикатор состояния является величиной, полученной из данных сигнала обработки. Индикатор состояния захватывает некоторую функцию сигнала, которая изменяется надежным образом, когда производительность системы ухудшается. При разработке алгоритмов прогнозирующего обслуживания вы используете такой индикатор состояния, чтобы отличать работоспособность от неисправной операции машины. Или можно использовать тренды в индикаторе состояния, чтобы идентифицировать ухудшение производительности системы, указывающее на износ или другое развивающееся условие отказа.
Основанные на сигналах индикаторы состояния могут быть извлечены с помощью любого типа обработки сигнала, включая временную область, частотный диапазон и частотно-временной анализ. Примеры основанных на сигналах индикаторов состояния включают:
Среднее значение сигнала, который изменяется при изменении производительности системы
Величина, которая измеряет хаотическое поведение в сигнале, наличие которого может быть показателем условия отказа
Пиковая величина в спектре сигнала или частота, на которой происходит пиковая величина, если изменения в таком поведении частотного диапазона указывают на изменение условий машины
На практике вам может потребоваться исследовать свои данные и экспериментировать с различными индикаторами состояния, чтобы найти таковые, которая лучше всего подходит для вашей машины, ваших данных и условий отказа. Существует много функций, которые можно использовать для анализа сигналов, чтобы сгенерировать основанные на основанных на сигналах индикаторах состояния. В следующих разделах приводятся некоторые из них. Можно использовать эти функции для сигналов в массивах или расписаниях, таких как сигналы, извлеченные из ансамбля datastore. (См. «Ансамбли данных» для мониторинга условия и прогнозирующего обслуживания.)
Для некоторых систем простые статистические функции временных сигналов могут служить индикаторами состояния, отличая условия отказа от здоровых условий. Для примера среднее значение конкретного сигнала (mean) или его стандартное отклонение (std) может измениться по мере ухудшения работоспособности системы. Или можно попробовать моменты более высокого порядка сигнала, такие как skewness и kurtosis. С помощью таких функций можно попытаться идентифицировать пороговые значения, которые отличают исправную операцию от неисправной операции, или искать резкие изменения в значении, которые отмечают изменения в состоянии системы.
Другие функции, которые вы можете использовать для извлечения простых функций временной области, включают:
В системах, которые показывают хаотические сигналы, определенные нелинейные свойства могут указывать на внезапные изменения в поведении системы. Такие нелинейные функции могут быть использованы при анализе вибрации и акустических сигналов от таких систем, как подшипники, передачи и двигатели. Они могут отражать изменения в траектории пространства фаз динамики базовой системы, которые происходят еще до вхождения условия отказа. Таким образом, мониторинг динамических характеристик системы с помощью нелинейных функций может помочь идентифицировать потенциальные отказы раньше, например, когда подшипник слегка изношен.
Predictive Maintenance Toolbox™ включает несколько функций для вычисления нелинейных признаков сигнала. Эти величины представляют различные способы характеристики уровня хаоса в системе. Увеличение хаотического поведения может указывать на развивающееся условие отказа.
lyapunovExponent - Вычислить самую большую экспоненту Ляпунова, которая характеризует скорость разделения близлежащих траекторий фазового пространства.
approximateEntropy - Оценить приблизительную энтропию сигнала временной области. Приблизительная энтропия определяет количество регулярности или неправильности в сигнале.
correlationDimension - Оцените величину корреляции сигнала, которая является мерой размерности пространства фаз, занятого сигналом. Изменения в размерности корреляции указывают на изменения в поведении фазового пространства базовой системы.
Расчет этих нелинейных функций полагается на phaseSpaceReconstruction функция, которая восстанавливает пространство фаз, содержащее все динамические системные переменные.
В примере Использование Simulink для генерации данных о отказе используются как простые функции временной области, так и эти нелинейные функции в качестве кандидатов для диагностики различных условий отказа. Пример вычисляет все функции для каждого представителя смоделированного ансамбля данных и использует полученную таблицу признаков для обучения классификатора.
Для некоторых систем спектральный анализ может сгенерировать функции сигнала, которые полезны для различения здоровых и неисправных состояний. Некоторые функции, которые можно использовать для вычисления индикаторов состояния частотного диапазона, включают:
meanfreq - Средняя частота спектра степени сигнала.
powerbw - 3-dB пропускную способность сигнала.
findpeaks - Значения и местоположения локальных максимумов в сигнале. Если вы предварительно обработаете сигнал, преобразовав его в частотный диапазон, findpeaks может дать вам частоты спектрального peaks.
Пример Мониторинг Условия и Прогностика Использование Сигналов Вибрации использует такой анализ частотного диапазона, чтобы извлечь индикаторы состояния.
Список функций, которые можно использовать для редукции данных частотного диапазона, см. в разделе Идентификация индикаторов состояния.
Частотно-временные спектральные свойства являются другим способом характеристики изменений спектрального содержимого сигнала с течением времени. Доступные функции для вычисления индикаторов состояния на основе частотно-временного спектрального анализа включают:
pkurtosis - Вычислите spectral kurtosis, который характеризует сигнал путем дифференцирования стационарного Гауссова сигнала от нестационарного или нестационарного поведения в частотной области. Спектральный куртоз принимает небольшие 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 самостоятельно. Вы можете использовать kurtogram визуализировать спектральный куртоз, перед извлечением функций с pkurtosis. В качестве предварительной обработки для других инструментов, таких как огибающий анализ, спектральный куртоз может предоставить ключевые входы, такие как оптимальная полоса пропускания.
pentropy - Вычислите spectral entropy, который характеризует сигнал путем предоставления меры его информационного содержимого. Там, где вы ожидаете, что плавность операции машины приведет к однородному сигналу, такому как белый шум, более высокое содержимое информации может указывать на механический износ или неисправности.
Пример Диагностика Отказа Подшипника Качения использует спектральные функции данных об отказе, чтобы вычислить индикатор состояния, который различает два различных состояния отказа в подшипниковой системе.
Моменты частоты времени обеспечивают эффективный способ охарактеризовать nonstationary сигналы, сигналы, частоты которых изменяются вовремя. Классический анализ Фурье не может захватить изменяющееся во времени поведение частоты. Частотно-временные распределения, сгенерированные коротким преобразованием Фурье или другими методами частотно-временного анализа, могут захватывать 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, который является изменением спектрального момента с течением времени. Таким образом, например, для второго условного спектрального момента, tfsmoment возвращает мгновенное отклонение частоты в каждую точку времени.
tftmoment - Условный временной момент, который является изменением временного момента с частотой. Таким образом, например, для второго условного временного момента, tftmoment возвращает отклонение сигнала на каждой частоте.
tfmoment - Время-частотный момент соединения. Эта скалярная величина захватывает момент как во времени, так и по частоте.
Можно также вычислить мгновенную частоту как функцию времени, используя instfreq.
