基于信号的状态指示器是处理信号数据而得到的量。条件指示器捕获信号的某些特性,这些特性随着系统性能的下降而可靠地变化。在设计用于预测维护的算法时,您可以使用这样一个条件指示器来区分机器的正常运行和故障运行。或者,您可以使用状态指示器中的趋势来识别磨损或其他发展中的故障状态指示的系统性能下降。
可以使用任何类型的信号处理(包括时域、频域和时频分析)来提取基于信号的条件指示器。基于信号的条件指标包括:
随系统性能变化而变化的信号的平均值
测量信号中混沌行为的一个量,它的存在可能是故障状态的表征
信号频谱中的峰值幅值,或峰值幅值出现的频率,如果这种频域行为的变化表明了机器条件的变化
在实践中,您可能需要研究您的数据,并尝试使用不同的条件指示器,以找到最适合您的机器、数据和故障条件的指示器。您可以使用许多函数来进行信号分析,以生成基于信号的条件指示器。下面几节总结了其中的一些。可以将这些函数用于数组或时间表中的信号,例如从集成数据存储中提取的信号。(见数据合奏状态监测和预测性维护。)
对于某些系统,简单的时间信号统计特征可以作为状态指示器,区分故障状态和健康状态。例如,一个特定信号的平均值(的意思是
)或其标准差(性病
)还不如系统健康状况变差而改变。或者,你可以尝试信号的高阶动如偏态
和峰度
。有了这样的功能,你可以尝试识别区分错误操作,或者看起来很健康,操作该标记在系统状态的变化值突然变化的阈值。
其他功能,你可以用来提取简单的时域特征包括:
在表现出混沌信号系统,某些非线性特性可以指示系统行为的突然变化。这种非线性的特征可以是从系统如轴承,齿轮,和引擎分析振动和声学信号是有用的。它们可以反映甚至故障情况发生之前发生的底层系统动力学的相空间轨迹的变化。因此,使用非线性功能可以帮助识别潜在的故障较早,例如当轴承轻微磨损监测系统的动态特性。
预测性维护工具箱™包括用于计算非线性信号特征几个功能。这些数量代表的系统特征的混乱程度不同的方式。增加混沌行为可以表明发展中的故障状态。
李亚普诺夫指数
- 计算最大Lyapunov指数,表征附近的相空间轨迹的分离率。
approximateEntropy
- 估算的时域信号的近似熵。近似熵量化了的信号的规律性或不规则性的量。
correlationDimension
-估计信号的相关维数,这是对信号所占相空间的维数的量度。相关维数的变化表示底层系统的相空间行为的变化。
这些非线性特征的计算依赖于phaseSpaceReconstruction
函数,它重构了包含所有动态系统变量的相空间。
这个例子使用Simu万博1manbetxlink生成故障数据同时使用简单的时域特征和这些非线性特征作为诊断不同故障条件的候选。该示例为模拟数据集成的每个成员计算所有特征,并使用得到的特征表来训练分类器。
对于某些系统,光谱分析可以生成对区分健康状态和故障状态有用的信号特征。可以用来计算频域条件指标的函数包括:
这个例子状态监测和预测使用振动信号利用这种频域分析提取条件指标。
对于您可以使用频域特征提取功能的列表,请参阅确定条件指示符。
时间 - 频率的光谱性质是另一种方式中的信号随时间的谱内容来表征的变化。基于时间 - 频率频谱分析计算条件指示符可用的功能包括:
这个例子滚动轴承故障诊断利用故障数据的谱特征,计算轴承系统中区分两种不同故障状态的状态指示器。
时频矩提供了一种有效的表征方法非平稳的信号,信号其频率随时间变化。经典傅立叶分析不能捕获随时间变化的频率特性。通过短时间产生的时间 - 频率分布傅立叶变换或其他时间 - 频率分析技术可以捕获随时间变化的行为。时间频率的时刻提供了一种更加紧凑等特点时频分布。有三种类型的时频时刻:
作为时间的函数使用也可以计算瞬时频率instfreq
。