状态监测和预测性维护的算法设计- MATLAB和Simulink万博1manbetx

条件监测和预测维护的设计算法

预见性维修允许设备用户和制造商评估机器的工作条件，诊断故障，或估计下一次设备故障可能发生的时间。当您能够诊断或预测故障时，您就可以提前计划维护，更好地管理库存，减少停机时间，并提高操作效率。

制定预测性维护计划需要一个设计良好的策略，以评估机械的工作状态，并及时检测早期故障。这样做需要有效地利用可用的传感器测量和系统知识。你必须考虑很多因素，包括:

观察到的故障来源及其相对频率。这些来源可以是机器的芯部件（例如叶片叶片和泵中的流动阀），其致动器（例如电动机），或其各种传感器（例如加速度计和流量计）。
可通过传感器进行工艺测量。传感器的数量、类型和位置，以及它们的可靠性和冗余度都影响算法的开发和成本。
各种故障源如何转化为观察到的症状。这种原因效应分析可能需要广泛地处理来自可用传感器的数据。
系统动力学的物理知识。这种知识可能来自系统及其缺陷的数学建模，也可能来自领域专家的见解。了解系统动力学需要详细了解来自机械的各种信号之间的关系(例如驱动器和传感器之间的输入-输出关系)、机器操作范围和测量的性质(例如，周期性、常数或随机)。
最终的维护目标，如故障恢复或维护计划的制定。

用于状态监测和预测的算法

预测性维护计划使用状态监测和预测算法来分析系统运行中测量到的数据。

状态监测使用来自机器的数据来评估其当前状态，并检测和诊断机器中的故障。机器数据是使用专用传感器收集的温度、压力、电压、噪声或振动等数据。状态监控算法从称为状态指示器的数据中获得度量。一个条件指标系统数据的任何特性，其行为在系统降级时以可预测的方式改变。条件指示器可以是任何数量的数据，这些数据可以将相似的系统状态聚集在一起，并将不同的状态分开。因此，状态监测算法可以通过将新数据与已建立的故障状态标记进行比较来进行故障检测或诊断。

预后学是根据机器当前和过去的状态预测什么时候会发生故障。预诊算法通常会对机器进行评估剩余使用寿命(RUL)或故障时间，通过分析机器的当前状态。预后可以使用建模、机器学习或两者的结合来预测病情指标的未来值。然后使用这些未来的值来计算RUL度量，这些度量决定是否以及何时应该执行维护。以变速箱为例，预测算法可以将变化的峰值振动频率和幅度拟合到一个时间序列中，以预测它们未来的值。然后，该算法可以将预测值与定义变速箱健康运行的阈值进行比较，预测是否以及何时会发生故障。

预测性维护系统利用其他IT基础架构实现预后和状态监测算法，使得算法的最终结果可访问和可操作，以实现实际维护任务的最终用户。预测维护工具箱™提供帮助您设计此类算法的工具。

算法开发工作流程

下图显示了开发预测性维护算法的工作流。

从描述一系列健康和故障状态下的系统的数据开始，开发一个检测模型(用于状态监视)或预测模型(用于预测)。开发这样一个模型需要确定适当的条件指标，并培训一个模型来解释它们。这个过程很可能是迭代的，因为您需要尝试不同的条件指示器和不同的模型，直到找到适合您的应用程序的最佳模型。最后，部署算法并将其集成到系统中，以进行机器监控和维护。

获取数据

设计预测性维护算法从一组数据开始。通常，您必须管理和处理大量数据，包括来自多个传感器和在不同时间和不同操作条件下运行的多台机器的数据。您可以访问以下一种或多种类型的数据:

系统正常运行的真实数据
系统在故障状态下运行的真实数据
系统故障的真实数据（run-to-failure数据)

例如，您可能有来自系统操作(如温度、压力和振动)的传感器数据。这种数据通常存储为信号或时间序列数据。还可能有文本数据，例如来自维护记录的数据或其他形式的数据。这些数据存储在文件、数据库或分布式文件系统(如Hadoop)中^®．

在许多情况下，来自机器的故障数据是不可用的，或者只有有限数量的故障数据集存在，因为要进行定期维护，而且此类事件相对较少。在这种情况下，可以从Simulink中生成故障数据万博1manbetx^®代表系统操作的模型在不同的故障条件下。

预测性维护工具箱提供组织、标记和访问存储在磁盘上的此类数据的功能。它还提供了工具，以促进从Simulink模型生成数据，用于预测性维护算法的开发。万博1manbetx有关更多信息，请参见用于状态监测和预测性维护的数据集成．

预处理数据

数据预处理通常需要将数据转换为从中容易提取条件指示符的形式。数据预处理包括简单的技术，例如异常值和缺少值拆卸，以及高级信号处理技术，例如短时傅里叶变换和转换到订单域。

了解您的机器和您拥有的数据类型可以帮助确定使用何种预处理方法。例如，如果您正在过滤噪声振动数据，了解什么频率范围最有可能显示有用的特征可以帮助您选择预处理技术。类似地，将齿轮箱振动数据转换为阶域可能是有用的，阶域用于转速随时间变化的旋转机器。然而，同样的预处理对于汽车底盘的振动数据是没有用的，因为汽车底盘是刚体。

有关预处理数据的预测性维护算法的更多信息，请参见用于状态监测和预测性维护的数据预处理．

识别条件指标

预测维护算法开发的关键步骤是识别条件指示器，即系统数据中的特性，它们的行为随着系统退化而以可预测的方式变化。状态指示器可以是任何对区分正常操作和错误操作或预测剩余使用寿命有用的特性。一个有用的状态指示器将相似的系统状态聚类在一起，将不同的状态分开。条件指标的例子包括:

简单的分析，例如数据的平均值随时间
更复杂的信号分析，例如信号频谱中峰值幅度的频率，或者随时间描述频谱中变化的统计时刻
基于模型的数据分析，例如使用数据估计的状态空间模型的最大特征值
将多个特征组合成单一有效条件指标(融合)

例如，您可以使用振动数据监测变速箱的状态。齿轮箱的损坏会导致振动频率和幅度的变化。峰值频率和峰值幅度因此是有用的状态指示器，提供关于变速箱中存在的振动类型的信息。为了监控变速箱的健康状况，可以在频域连续分析振动数据，提取这些状态指标。

即使您具有代表一系列故障条件的真实或模拟数据，您也可能不知道如何分析该数据以识别有用的条件指示符。应用程序的正确条件指示符取决于您拥有的类型的系统，系统数据和系统知识。因此，识别条件指示符可能需要一些试验和错误，并且通常迭代算法开发工作流程的训练步骤。常用于提取条件指标的技术是：

顺序分析
模态分析
频谱分析
包络谱
疲劳分析
非线性时间序列分析
基于模型的分析，如残差计算、状态估计和参数估计

预测性维护工具箱补充了其他工具箱的功能，如信号处理工具箱™，具有从测量或生成的数据中提取基于信号或基于模型的条件指示器的功能。有关更多信息，请参见识别条件指标．

列车检测或预测模型

预测维护算法的核心是检测或预测模型。该模型通过分析提取的状态指标来确定系统当前的状态(故障检测和诊断)或预测其未来的状态(剩余使用寿命预测)。

故障检测与诊断

故障检测和诊断依赖于使用一个或多个条件指示符值来区分健康和故障操作，以及不同类型的故障之间。一个简单的故障检测模型是条件指示符的阈值，该指示灯指示在超过时的故障状态。另一个模型可以将条件指示符与指示符值的统计分布进行比较以确定特定故障状态的可能性。更复杂的故障诊断方法是训练比较一个或多个条件指示符的当前值与故障状态相关联的值的分类器，并返回存在一个或另一个故障状态的可能性。

在设计预测维护算法时，您可能会使用不同的条件指示器测试不同的故障检测和诊断模型。因此，当您尝试不同的指标、不同的指标组合和不同的决策模型时，设计过程中的这一步很可能与提取条件指标的步骤相迭代。Statistics and Machine Learning Toolbox™和其他工具箱包括可用于训练决策模型(如分类器和回归模型)的功能。有关更多信息，请参见故障检测与诊断的决策模型．

剩余使用寿命预测

预测模型的例子包括:

一种模型，它拟合条件指标的时间演化，并预测条件指标在跨越指示故障条件的某个阈值之前需要多长时间。
一种将状态指示器的时间演化与从系统运行到故障的测量或模拟时间序列进行比较的模型。这样的模型可以计算出当前系统最可能出现的故障时间。

您可以通过使用动态系统模型或状态估算器预测来预测剩余的使用寿命。另外，预测性维护工具箱包括基于与相似性，阈值和生存分析的这种技术的RUL预测的专用功能。有关更多信息，请参见剩余使用寿命预测模型．

部署和集成

当您确定了处理新系统数据的工作算法时，将其适当处理，并生成预测，部署算法并将其集成到系统中。基于系统的细节，您可以在云或嵌入式设备上部署算法。

当您在云中收集和存储大量数据时，云实现非常有用。消除了在云和运行预测和健康监控算法的本地机器之间传输数据的需求，使得维护过程更加有效。云计算的结果可以通过推文、电子邮件通知、web应用程序和仪表板提供。

或者，算法可以运行在嵌入式设备上，更接近实际设备。这样做的主要好处是减少了发送的信息量，因为只有在需要时才传输数据，并且可以立即获得关于设备健康状况的更新和通知，不存在任何延迟。

第三种选择是两者结合使用。算法的预处理和特征提取部分可以在嵌入式设备上运行，而预测模型可以在云上运行，根据需要生成通知。在石油钻井和飞机引擎等连续运行并产生大量数据的系统中，由于蜂窝网络带宽和成本限制，在飞机上存储或传输所有数据并不总是可行的。使用对流数据或数据批处理操作的算法，让您仅在需要时存储和发送数据。

MathWorks^®代码生成和部署产品可以帮助您完成工作流的这一步。s manbetx 845有关更多信息，请参见部署预测性维护算法．

参考文献

[1] Isermann, R。故障诊断系统：从故障检测到容错的引入．柏林:施普林格Verlag, 2006。