这个例子展示了如何处理和从包含不断恶化的轴故障证据的分段数据中提取特征,以及如何执行预后排序,以确定哪些特征最适合确定剩余使用寿命(RUL)。RUL特性开发基于运行到故障的数据,而不是有条件分组的数据。
该示例假设您已经熟悉应用程序的基本操作。有关使用应用程序的教程,请参阅为预测性维修算法设计识别状态指标.
下图说明了一个六档传动系统。动力传动系统的电机装有振动传感器。动力传动系统没有转速表。电机驱动恒定转速1800转/分,无变化。在这个传动系统中:
电机轴上的齿轮1与齿轮2啮合,齿轮传动比为17:1。
最终的齿轮比,或齿轮1和2和齿轮3和4之间的比率,是51:1。
5号齿轮,也在电机轴上,与6号齿轮啮合,齿轮传动比为10:1。
十台模拟机器使用这种传动系统。所有这些机器的齿轮轴上都有一个故障。这个错误一天比一天严重。对于每台机器,故障进展的速率是固定的,但在机器集上是不同的。
每天以0.21 s的周期记录数据,连续15天。对于每台机器,这些每日分段存储在单个变量的相邻位置。时间戳反映了数据记录的时间,并不断增加。例如,如果第1天的最后一个样本的时间戳为tf采样时间是T年代,则第2天第一个样本的时间戳为tf+T年代.
首先,将数据加载到MATLAB中®工作空间和开放诊断特性设计器.
负载(fullfile (matlabroot“工具箱”,“predmaint”,“predmaintdemos”,...“motorDrivetrainDiagnosis”,“machineDataRUL3”),“motor_rul3”) diagnosticFeatureDesigner
导入数据。这样做,在功能设计选项卡上,单击新会话.然后,在选择更多变量面积新会话窗口中,选择motor_rul3
作为源变量。
通过接受默认配置和变量完成导入过程。集成由一个数据变量组成信号/ vib
,其中包含振动信号。没有条件变量。
查看振动信号。这样做,在数据浏览器,选择信号并绘制它使用信号跟踪.随着缺陷的发展,信号的振幅不断增加。
在开发RUL使用的特性时,您感兴趣的是跟踪退化的进程,而不是隔离特定的故障。有用的RUL特性的时间历史提供了退化率的可见性,并最终实现了故障时间的预测。
基于帧的处理允许您跟踪退化的进程一段一段。小的或突然的变化被捕捉在它们发生的片段中。基于段的特征比从完整信号中提取的特征可以提供更精确的退化记录。对于RUL预测,退化的进展率与给定时间内缺陷的大小同样重要。
每台机器的数据集通过为每天提供一段数据来支持分段处理。万博1manbetx指定基于帧的处理,以便分别处理这些片段。由于采集的数据是在0.21 s的段内,所以将需要处理的数据分割为0.21 s的帧。
点击计算选择.在对话框中,设置数据处理方式来框架.数据段是连续的,所以设置帧大小和帧速率为0.21
秒。
时间同步平均(TSA)对一个旋转信号进行平均,大大减少了与旋转不一致的噪声。tsa滤波信号为许多旋转机械分析提供了基础,包括特征生成。
在本例中,每台机器的转速都固定为相同的1800 rpm值。
如果需要计算TSA信号,请选择滤波平均>时间同步信号平均.在对话框中:
在信号.
在转速计信息中,选择恒转速(RPM)并将值设置为1800
.
接受所有其他设置。
该应用程序分别计算每个段的TSA信号,默认情况下绘制第一个段。
使用平移器将图展开到所有片段。该图的振幅略有增加。
利用TSA信号计算旋转机械的时域特征。
由于没有条件变量,因此得到的直方图只显示特征值在分段上的分布。
您还可以查看特征跟踪图,以查看特征如何随时间变化。这样做,在功能表中,选择FeatureTable1
.在绘图图库中,选择特征跟踪.
在特征轨迹图上,三种特征均呈上升趋势,对应于持续退化。这些特征之间的相对值没有任何意义,因为这些特征代表了不同的指标,而这些指标并没有被标准化。
当缺陷导致周期性振荡时,光谱特征通常工作得很好。从TSA信号中提取光谱特征。首先计算功率谱。为此,选择频谱估计>功率谱.选择TSA信号并更改算法来韦尔奇的方法
.
第一段频谱包括大约500 Hz和1540 Hz的明显峰值。转速为1800rpm / 30hz。这些峰值频率之间的比率大约是17和51,与齿轮传动比一致。中间的峰是这些频率的附加谐波。
在阶域和频域上,段谱是叠加的。平移器允许你选择多个片段,就像在时域中一样。设置平移器覆盖所有的段。随着分段数量的增加,功率以300hz的速度增加。这个频率对应于30赫兹旋转速率的10阶,并表示增加的缺陷。
提取光谱特征。单击光谱特性确认一下光谱设置为您的功率谱。使用滑块,将范围限制在约4000 Hz,以将区域绑定到峰值。功率谱图自动从对数变为线性缩放,并放大到您选择的范围。
得到的直方图现在包含了光谱特征。
绘制带功率特征轨迹,以查看它与全段功率谱的比较情况。使用选择功能清除其他特征痕迹。
带功率特征捕捉每台机器缺陷的进展。其他两个光谱特征的痕迹不能跟踪缺陷的进展。
对特征进行排序,看看哪些特征在预测RUL方面表现最好。该应用程序提供了三种预后排名方法:
单调性描述一个特性在系统走向失败时的趋势。当系统逐渐接近故障时,合适的状态指示器具有单调的正或负趋势。有关更多信息,请参见单调性
.
Trendability提供在多个运行到故障实验中测量的特征轨迹之间的相似性度量。候选条件指标的趋势性定义为测量值之间的最小绝对相关性。有关更多信息,请参见trendability
.
Prognosability是相对于其初始值和最终值之间的范围,一个特征在失效时的可变性的度量。相对于其初始值和最终值之间的范围,一个更可预测的特征在失效时的变化较小。有关更多信息,请参见prognosability
.
点击等级特性并选择FeatureTable1
.因为你没有条件变量,应用程序默认的预后排名技术单调性
.
其中四个特征得分达到或接近最高分。两个功能,PeakAmp1
而且PeakFreq1
美国的分数要低得多。
添加其他两种预后方法的排名。点击预后排名并选择Trendability
.点击应用然后关闭Trendability.
重复以上步骤Prognosability
.排名图现在包含所有三种排名方法的结果。
排序结果与图中的特征迹相一致提取光谱特征.
追踪恶化断层的特征得分较高单调性
.这些特征在其他两种方法中也有很高的得分。
PeakFreq1
美国的排名倒数第二单调性
得分,两项得分都很高Trendability
而且Prognosability
.这些高分来自于特征轨迹之间的紧密一致和模拟结束时的低可变性,在这里故障最大。
PeakAmp1
在所有排名中都有较低的分数,反映了该特征对缺陷进展的不敏感性和该特征的机器值的变化。
既然你有四个在所有类别中得分都很好的特征,那么选择这些特征作为RUL算法中继续前进的特征集。
诊断特性设计器|单调性
|prognosability
|trendability