Настройка оборудования и сбор данных

Обзор оборудования

В данном примере данные об электрическом токе были собраны от стандартного сервомотора хобби Futaba S3003, который был изменен для непрерывного вращения. Сервомоторы преобразуют высокую скорость внутреннего двигателя постоянного тока к высокому крутящему моменту в их выходном вале. Чтобы достигнуть этого, сервомоторы состоят из двигателя постоянного тока, набора нейлона или металлических пар механизма и схемы управления. Схема управления была демонтирована, чтобы смочь применяться, постоянное 5-вольтовое напряжение к двигателю постоянного тока ведет непосредственно, и позвольте току через двигатель постоянного тока быть проверенным через текущий резистор обнаружения.

Второй, противостоящий сервомотор с его терминалами двигателя постоянного тока, шунтируемыми вместе через низкоомный резистор, использовался, чтобы сгенерировать загрузку противопоставления высокого крутящего момента для сервомотора драйвера, чтобы ускорить ухудшение зубчатой передачи и вызвать большие изменения моторного текущего сигнала для анализа MCSA.

Сервопривод и зубчатая передача

Сервомотор Futaba S3003 состоит из четырех пар запутывающих нейлоновых механизмов, как проиллюстрировано в рисунке ниже. Шестерня P1 на вале двигателя постоянного тока поймала в сети со ступенчатым механизмом G1. Шестерня P2 является прессованной частью ступенчатого механизма G1 и поймал в сети со ступенчатым механизмом G2. Шестерня P3, который является прессованной частью механизма G2, поймала в сети со ступенчатым механизмом G3. Свяжите P4, который прессуется с G3, сетками с итоговым механизмом G4, который присоединен к выходному валу. Ступенчатый механизм устанавливает G1 и P2, G2 и P3, и G3 и P4 являются свободными механизмами вращения $-$ то есть, они не фиксируются к их соответствующим валам. Набор механизмов обеспечивает 278:1 сокращение, идущее от частоты вращения двигателя приблизительно 6 117 об/мин приблизительно к 22 об/мин в выходном вале, когда двигатель постоянного тока управляется на уровне 5 вольт.

Следующая таблица обрисовывает в общих чертах зубное количество и теоретические значения выходной скорости, частот mesh механизма и совокупного сокращения механизма в каждой mesh механизма.

Скорость вращения выходного вала сервомотора была измерена с помощью инфракрасного фотопрерывателя наряду с 40 мм в диаметре, 3-D распечатал tacho колесо с 16 пазами. Эти шестнадцать пазов на колесе равномерно распределены, и фотопрерыватель IR был помещен таким образом, что было точно шестнадцать импульсов на вращение колеса. Сервомоторы и фотопрерыватель были сохранены на месте распечатанным 3-D, монтируется.

Ведущий двигатель постоянного тока управлялся на уровне постоянных 5 вольт, и с четырьмя парами механизмов, обеспечивающих 278:1 сокращение скорости, выходная скорость вала имела среднее значение 22 об/мин. Колебания выходной скорости и соответствующих изменений в моторном токе из-за запутывающего механизма и зубное ухудшение механизма в зависимости от времени получались датчиками для последующего анализа в MATLAB.

Фильтрация и схема усиления

Текущее потребление через обмотки двигателя постоянного тока было вычислено с помощью закона Ома путем измерения падения напряжения через 0,5 Ома, резистора на 0,5 Вт. Поскольку изменение в текущих значениях измерения слишком было мало для высококачественного обнаружения, текущий сигнал был усилен 20 раз с помощью усилителя интерфейса датчика одно предоставления (Аналоговые устройства AD22050N). Усиленный текущий сигнал был затем отфильтрован с помощью сглаживающегося пятого порядка эллиптический фильтр lowpass (Максим MAX7408), чтобы сглаживать его и устранить шум прежде, чем отправить его в контакт аналого-цифрового конвертера (ADC) на ООН Arduino. Угловая частота фильтра сглаживания была помещена приблизительно в 470 Гц, чтобы обеспечить вполне достаточное затухание на частоте Найквиста (750 Гц) аналого-цифрового конвертера.

Электронная схема была понята на прототипной печатной плате (PCB) с помощью небольшого количества дополнительных пассивных компонентов как показано в изображении ниже.

Когда блок-схема показывает ниже, Arduino ООН произвела текущий сигнал через вход ADC в частоте дискретизации на 1 500 Гц и передала ее потоком к компьютеру, наряду с импульсами тахометра, по каналу последовательной передачи, запускающемуся на скорости в бодах 250 000 бит/с.

Для данных в этом примере последовательное сообщение кодировалось на ООН Arduino как три 8-битных двоичных значения на выборку данных (текущий + tacho), чтобы повысить эффективность последовательной передачи с компьютером.

Потоковая передача данных реального времени

Потоковая передача данных из Arduino ООН к MATLAB

ООН Arduino закодировала моторный ток и tacho импульсные значения в бинарный буфер для КПД и отправила пакеты данных к компьютеру, состоящему из 16 384 (2^14) выборки каждые 5 минут. Данные были отправлены от ООН Arduino на уровне 1 500 Гц с помощью простого протокола данных, состоящего из маркеров начала и конца вокруг байтов данных для легкой экстракции пакетов данных в коде MATLAB.

Смотрите присоединенный файл эскиза Arduino servo_data_producer.ino для получения дополнительной информации и передавать данные потоком к MATLAB от вашей настройки оборудования.

Получение живого потока данных в MATLAB

Можно использовать скрипт MATLAB, чтобы выбрать пакеты последовательных данных от ООН Arduino с соответствующими скоростями в бодах и последовательными числами COM-порта.

Во-первых, откройте последовательный порт для связи с вашим Arduino или эквивалентным оборудованием. Можно использовать serialportlist команда, чтобы найти последовательный COM-порт. В данном примере ООН Arduino находится на COM4. Используйте скорость в бодах 250 000 бит/с.

port = "COM4";
baudRate = 250000;

Установите соответствующий тайм-аут и используйте правильный терминатор строки данных из кода Arduino, содержавшегося в файле servo_data_producer.ino. В данном примере используйте тайм-аут 6 минут. Затем очистите буфер последовательного порта использование flush.

s = serialport(port,baudRate,'Timeout',360); 
configureTerminator(s,"CR/LF");
flush(s);

Теперь считайте и обработайте закодированный поток данных от Arduino с соответствующим количеством циклов чтения. В данном примере используйте 10 циклов чтения. Для получения дополнительной информации смотрите функцию поддержки readServoDataFromArduino если в разделе Supporting Functions.

count = 0;
countMax = 10;
while (count < countMax)
  try
    count = count + 1;
    fprintf("\nWaiting for dataset #%d...\n", count);
    readServoDataFromArduino(s);
  catch e
    % Report any errors.
    clear s;
    throw(e);
  end
end

Теперь используйте clear команда, чтобы закрыть последовательный порт.

clear s;

Обработка данных и извлечение признаков в MATLAB

Обработка данных о прямой трансляции

Если данные передаются потоком в MATLAB, можно использовать readServoDataFromArduino скрипт, чтобы создать матрицу данных, чтобы сохранить последний пакет данных о сервоприводе. Для получения дополнительной информации смотрите функцию поддержки readServoDataFromArduino если в разделе Supporting Functions.

readServoDataFromArduino(s)

Результирующее расписание содержит метку времени, моторные текущие, и tacho импульсные значения для последнего набора данных, переданного потоком от ООН Arduino.

Используйте processServoData функционируйте, чтобы вывести расписание с соответствующими физическими единицами измерения.

T = processServoData(X)

Получившееся расписание обеспечивает удобный контейнер для извлечения прогнозирующих функций из моторных данных.

Если у вас нет необходимого оборудования, можно запустить этот пример с помощью sendSyntheticFeaturesToThingSpeak функция, чтобы сгенерировать синтетические данные.

Извлечение признаков

От каждого нового набора данных вычислите номинальную скорость, чтобы обнаружить частоты интереса к зубчатой передаче и совпадать с ними правильно частотам на их спектрах мощности.

F = extractFeaturesFromData(T);

Используя значение частоты дискретизации 1 500 Гц в tachorpm команда, вычислите номинальную скорость выходного вала. Для этого экземпляра значение об/мин составляет постоянных приблизительно 22 об/мин.

tP = T.TachoPulse;
rpm = tachorpm(tP,Fs,'PulsesPerRev',16,'FitType','linear');
rpm = mean(rpm);

Частота вращения двигателя наряду с физическими параметрами наборов механизма, включите конструкцию диапазонов частот отказа, которая является важным необходимым условием для вычисления спектральных метрик. Используя зубное количество механизмов диска в зубчатой передаче и номинальном об/мин, сначала вычислите частоты интереса. Частоты интереса являются фактическими выходными значениями скорости в Герц, значения которого были близко к теоретическим значениям, перечисленным в таблице ниже.

Затем создайте диапазоны частот для всех выходных скоростей, которые включают следующие частоты интереса с помощью faultBands команда. Выбранные основные частоты, гармоники и боковые полосы обсуждены более подробно в Анализировать Данных о Зубчатой передаче и Извлечении Спектральные Функции Используя пример Live Editor Тэскса. В частности, важные частоты отказа, чтобы контролировать в сервосистеме были идентифицированы можно следующим образом:

% Number of gear and pinion teeth.
G4 = 41; G3 = 35; G2 = 50; G1 = 62;
P4 = 16; P3 = 10; P2 = 10; P1 = 10;

% Shaft speeds in Hz.
FS5 = rpm / 60;
FS4 = G4 / P4 * FS5;
FS3 = G3 / P3 * FS4;
FS2 = G2 / P2 * FS3;
FS1 = G1 / P1 * FS2;

% Generate the fault bands of interest.
FB_S1 = faultBands(FS1, 1:6, FS2, 0:1);
FB_S2 = faultBands(FS2, [1 2 4], FS3, 0:1);
FB_S3 = faultBands(FS3, 3);
FB = [FB_S1; FB_S2; FB_S3];

Используйте faultBandMetrics команда наряду со спектральной плотностью мощности (pwelch команда) моторного текущего сигнала вычислить в общей сложности 85 спектральных метрик.

Вычислите спектр мощности моторных текущих данных.

mC = T.MotorCurrent;
[ps,f] = pwelch(mC,[],[],length(mC),Fs);

Вычислите спектральные метрики для всех полос отказа.

metrics = faultBandMetrics(ps,f,FB);
metrics = metrics{:, [4 13 85]}; % Select significant metrics.

Выберите функции, чтобы отследить из вычисленных метрик. Выберите некоторые из значительных единиц, таких как пиковая амплитуда спектра в первых и вторых гармониках вала 1 скорость (FS1).

features = [metrics,mean(mC),rpm];

Обратите внимание на то, что средний моторный ток и средняя скорость в об/мин двигателя также зарегистрированы как дополнительные функции.

Живая потоковая передача данных и оценка RUL

Храните данные о функции в облаке

Если различные функции вычисляются из данных реального времени в пакетах каждые 5 минут, отправляют их в ThingSpeak как часть того же скрипта MATLAB для "облачного" хранилища и остающегося анализа срока полезного использования.

Отправьте значения функции в канал ThingSpeak как отдельные поля с помощью sendFeaturesToThingSpeak функция.

sendFeaturesToThingSpeak(features)

Вот пример канала ThingSpeak, который сконфигурирован со многими полями, чтобы сохранить значения функции. Канал служит удобным репозиторием данных и платформой визуализации.

Канал ThingSpeak обеспечивает функцию в реальном времени, контролирующую инструментальную панель для того, чтобы отследить изменения в значениях функции. Это также действует как источник данных для функции, обрабатывающей, такой как остающиеся оценки срока полезного использования.

Если у вас нет настройки оборудования, чтобы генерировать признаки от сервопривода, можно сгенерировать синтетические значения функции, чтобы проиллюстрировать расчет последующих оценок RUL с помощью следующего примера кода. У вас могут быть отдельные экземпляры MATLAB, работающего на различных машинах, чтобы читать и записать данные к ThingSpeak.

hasArduino = false; % Set to true when using Arduino UNO.
if ~hasArduino
  % Set timer to send new feature data every minute.
  tmr1 = timer('ExecutionMode','fixedSpacing','Period',60);
  tmr1.TimerFcn = @(~,~) sendSyntheticFeaturesToThingSpeak();
  tmr1.start();
  return;
end

Считайте данные о функции из облака

Отдельный скрипт MATLAB, который может также быть развернут как скомпилированное приложение MATLAB или как развернутое Веб-приложение, может использоваться, чтобы считать функции сервопривода из ThingSpeak и вычислить оценки в реальном времени метрики RUL. Для этого экземпляра создайте первоначальную экспоненциальную модель ухудшения и периодически обновляйте модель, когда значения новой возможности становятся доступными.

% Set timer to check for new data every minute and update the RUL model, mdl.
tmr2 = timer('ExecutionMode','fixedSpacing','Period',60);
tmr2.TimerFcn = @(~,~) readFeaturesFromThingSpeak(mdl,channelID,readKey);
tmr2.start();

Каждый новый набор функций используется, чтобы обновить экспоненциальную модель ухудшения и вычислить оценки в реальном времени RUL.

Живая остающаяся оценка срока полезного использования

В данном примере примите, что обучающие данные не являются историческими данными, а скорее наблюдениями в реальном времени за условием компонента, как получено функциями, вычисленными на предыдущих шагах. Экспоненциальная модель ухудшения (exponentialDegradationModel) подходит для этого типа оценки RUL в реальном времени и визуализации. Модель RUL использует медицинский индекс, чтобы указать на систему системы и порога, чтобы оценить RUL системы. В данном примере порог находится на Total Band Power функция сервопривода, как вычислено на предыдущих шагах. Общая мощность полосы получает изменения в спектральной энергии в частотах полосы отказа, сопоставленных с важными областями частоты зубчатой передачи сервопривода.

Создайте экспоненциальную модель ухудшения с произвольными предшествующими данными о распределении и заданным шумовым отклонением.

Задайте время жизни и имена переменной данных для данных о наблюдении из подмножества таблицы данных, считанной из ThingSpeak. Затем используйте каждую функцию значения, чтобы предсказать RUL компонента с помощью текущего пожизненного значения, сохраненного в модели.

channelID = 1313749; % Replace with the channel ID to write data to.
readKey  = 'KYIDUZ1ENDT3TGG0'; % Replace with the read API key of your channel.

% Read most recent degradation data from ThingSpeak.
T = thingSpeakRead(channelID,'ReadKey',readKey,'OutputFormat','timetable');

% Construct the exponential degradation model using Total Band Power as the
% health index.
mdl = exponentialDegradationModel( ...
  'Theta', 1, 'ThetaVariance', 100, ...
  'Beta', 1, 'BetaVariance', 100, ...
  'NoiseVariance', 0.01, ...
  'LifeTimeVariable', T.Properties.DimensionNames{1}, ...
  'DataVariables', T.Properties.VariableNames{3}, ...
  'LifeTimeUnit', "hours");

% Set timer to check for new data every minute.
tmr2 = timer('ExecutionMode','fixedSpacing','Period',60);
tmr2.TimerFcn = @(~,~) readFeaturesFromThingSpeak(mdl,channelID,readKey);
tmr2.start();

Скрипт MATLAB отслеживает доступные данные функции на канале ThingSpeak и обновляет модель RUL, когда значения новой возможности становятся доступными, таким образом, предусматривая возможность оценки и визуализации RUL в реальном времени.

Вспомогательные Функции

Функция поддержки readServoDataFromArduino чтения и процессы закодированные потоки данных от ООН Arduino.

function readServoDataFromArduino(s)
% Reads and processes encoded data streams from Arduino.

% Find start of encoded data stream.
str = readline(s);
N = sscanf(str, "BEGIN:%d"); % Expected number of data points (should be 16384).

% Acquire new data until the end of data stream.
if ~isempty(N) && N > 0
  X = zeros(N,2);

  % Read and store encoded binary data.
  disp("Reading servo motor data...");
  for k = 1:N
    % Read three bytes each time containing motor current and tacho pulse values.
    x = [read(s,1,"uint16"), read(s,1,"uint8")];
    X(k,:) = double(x);
  end

  % Find end of encoded data stream.
  readline(s); % Remove CR/LF from data stream.
  str = readline(s);
  if str == "END"
    disp("Processing servo data...");
    T = processServoData(X);

    disp('Extracting features...');
    F = extractFeaturesFromData(T);

    disp('Sending features to ThingSpeak...');
    sendFeaturesToThingSpeak(F);
  else
    error('Error reading end-of-file marker from serial port.');
  end
end
end

Функция поддержки processServoData преобразует матрицы необработанных данных в расписание с соответствующими именами переменных и физическими единицами измерения.

function T = processServoData(X)
% Converts raw data matrix to a timetable with appropriate variable names and
% physical units.
Fs = 1500; % Sampling rate.
Rsens = 0.5; % Current sense resistor value in ohm.
Kamp = 20; % Sensor amplifier gain.
count2volt = 5/1024; % Scaling factor between digital reading to analog voltage.

T = timetable('SampleRate', Fs);
T.MotorCurrent = X(:,1) * count2volt / Kamp / Rsens * 1000; % Convert to mA.
T.TachoPulse   = X(:,2); % On/off tacho pulse values.
T.Properties.VariableUnits = {'mA', 'level'};
end

Функция поддержки extractFeaturesFromData извлечения показывают из данных о сервоприводе временного интервала в формате таблицы.

function features = extractFeaturesFromData(T)
% Extracts up to 8 features from time-domain servo data provided in table
% format.
Fs = 1500; % Sampling rate.

% Average motor speed.
tP = T.TachoPulse;
rpm = tachorpm(tP, Fs, 'PulsesPerRev', 16, 'FitType', 'linear');
rpm = mean(rpm);

% Number of gear and pinion teeth.
G4 = 41; G3 = 35; G2 = 50; G1 = 62;
P4 = 16; P3 = 10; P2 = 10; P1 = 10;

% Shaft speeds in Hz.
FS5 = rpm / 60;
FS4 = G4 / P4 * FS5;
FS3 = G3 / P3 * FS4;
FS2 = G2 / P2 * FS3;
FS1 = G1 / P1 * FS2;

% Generate the fault bands of interest.
FB_S1 = faultBands(FS1, 1:6, FS2, 0:1);
FB_S2 = faultBands(FS2, [1 2 4], FS3, 0:1);
FB_S3 = faultBands(FS3, 3);
FB = [FB_S1; FB_S2; FB_S3];

% Compute the power spectrum of the motor current data.
mC = T.MotorCurrent;
[ps,f] = pwelch(mC, [], [], length(mC), Fs);

% Compute spectral metrics for all fault bands.
metrics = faultBandMetrics(ps, f, FB);
metrics = metrics{:, [4 13 85]}; % Select significant metrics.

% Pick features to track.
features = [metrics, mean(mC), rpm];
end

Функция поддержки sendFeaturesToThingSpeak отправляет значения функции в канал ThingSpeak как отдельные поля.

function sendFeaturesToThingSpeak(features)
% Sends feature values to a ThingSpeak channel as separate fields.

% Configure the Channel ID and the Write API Key values.
channelID = 1313749; % Replace with your channel ID to write data to.
writeKey = 'X96MRW1TTZC1XNV3'; % Replace with the write API key of your channel.

% Write the features to the channel specified by the 'channelID' variable.
fields = 1:numel(features); % Up to 8 features
thingSpeakWrite(channelID, features, 'Fields', fields, 'WriteKey', writeKey);
end

Функция поддержки readFeaturesFromThingSpeak чтения показывают значения от канала ThingSpeak, когда новые данные становятся доступными путем отслеживания меток времени последних считываний данных. Функция также обновляет модель RUL с помощью значений новой возможности и строит предсказанные значения RUL.

function readFeaturesFromThingSpeak(mdl, channelID, readKey)
% Read feature values from ThingSpeak to update the RUL estimation.
persistent timestamp
persistent hplot

if isempty(timestamp)
  % Start with last ten days of data.
  timestamp = dateshift(datetime, "start", "day", -10);
end

% Read recent data from all fields.
disp('Reading features from ThingSpeak...');
T = thingSpeakRead(channelID, 'ReadKey', readKey, ...
  'OutputFormat', 'timetable', 'DateRange', [timestamp, datetime]);
if ~isempty(T)
  T = T(T.Timestamps > timestamp, :); % Only keep most recent data.
end

if ~isempty(T)
  T = T(T.Timestamps > timestamp, :); % Only keep most recent data.
  timestamp = T.Timestamps(end); % Update time stamp for most recent data.

  % Set RUL degradation threshold.
  threshold = 10;

  % The training data is not historical data, but rather real-time observations
  % of the servo motor features.
  N = height(T);
  estRUL = hours(zeros(1,N));
  for i = 1:N
    update(mdl, T(i,:))
    estRUL(i) = predictRUL(mdl, threshold);
  end

  % Visualize RUL over time.
  if isempty(hplot) || ~isvalid(hplot)
    hplot = plot(T.Timestamps(:)', estRUL, 'r-o');
    title('Estimated RUL at Time t')
    xlabel('Time, t')
    ylabel('Estimated RUL')
  else
    hplot.XData = [hplot.XData, T.Timestamps(:)'];
    hplot.YData = [hplot.YData, estRUL];
  end
end
end

Когда сервопривод и ООН Arduino не будут доступны, чтобы сгенерировать значения функции, используйте функцию поддержки sendSyntheticFeaturesToThingSpeak чтобы обеспечить синтетический продукт показывают данные, чтобы проиллюстрировать потоковую передачу значений функций к ThingSpeak.

function sendSyntheticFeaturesToThingSpeak()
% Generate synthetic features and send them to ThinkSpeak.
persistent bandPower
if isempty(bandPower)
  bandPower = 5;
end

% Simulate motor features and fault band metrics.
motorCurrent = 308+12*rand(1); % between [308 320] mA
rpm = 20+3*rand(1); % between [20 23] rpm
bandPower = bandPower + rand(1)/2; % bandPower degradation
metrics = [rand(1), rand(1), bandPower];
features = [metrics, motorCurrent, rpm];

disp('Sending features to ThingSpeak...');
sendFeaturesToThingSpeak(features)
end