设计算法状态监测和预测维护
预见性维护允许设备用户和制造商评估机器的工作状态,诊断故障,或估计下一个可能出现设备故障。当你可以诊断或预测失败,你可以提前计划维护,更好地管理库存,减少停机时间,提高运营效率。
开发一个预见性维护计划需要一个精心设计的战略评估机器的工作状态,及时发现早期故障。这样做需要有效地使用可用的传感器测量和系统的知识。你必须考虑许多因素,包括:
观察到的故障的来源和他们的相对频率。这样的来源可以机器的核心组件(如泵叶轮叶片和流量阀),其执行机构(如电动马达),或它的各种传感器(加速度计、流量计等)。
可用性的过程通过传感器测量。数量、类型和位置的传感器,其可靠性和冗余所有影响算法开发和成本。
各种来源的错误如何转化为观察到的症状。这样的因果分析可以需要广泛的可用的传感器数据的处理。
物理知识系统动力学。这些知识可能来自数学建模的系统及其故障和领域专家的见解。系统动力学涉及详细的知识理解机械的各种信号之间的关系(如投入产出了作动器和传感器之间的关系),机器操作范围和测量的性质(例如,周期性,常数或随机)。
最终维护目标,如故障恢复或维修计划的发展。
状态监测和预测算法
预见性维护计划使用状态监测和预测算法来分析数据测量系统的操作。
状态监测使用数据从一台机器来评估其当前状态检测和故障诊断机。机数据数据,如温度、压力、电压、噪声或振动测量,收集使用专用传感器。状态监测算法度量来自数据称为条件指标。一个条件指标是系统数据的任何特征的行为变化可预测的方式系统降解。条件指标可以是任意数量的数据来源于集群一起类似的系统状态,并设置不同的状态。因此状态监测算法可以执行故障检测或诊断通过比较新数据对建立的标记错误的条件。
预测预测会发生故障时根据当前和过去的状态机。一种预测算法通常估计机器的剩余使用寿命通过分析当前状态(原则)或失效到达时间的机器。预测可以使用建模、机器学习、或两者的结合来预测未来值的条件指标。然后使用这些未来值计算荷重软化指标,确定和维护应该执行的时候。变速箱的例子,预测算法可以适应不同振动频率和幅度峰值时间序列来预测他们的未来值。算法可以比较预测值和一个阈值定义变速箱的健康运行,预测当一个错误发生。
预见性维护系统与其他IT基础设施实现了预测和状态监测算法,使算法的最终结果可访问和可操作的用户执行实际的维护任务。预见性维护工具箱™提供了工具,以帮助您设计算法。
工作流算法开发
下面的插图显示了一个工作流开发预见性维护算法。
开始用数据描述系统的健康和有缺陷的条件下,开发检测模型(用于状态监测)或预测模型(预测)。开发这样一个模型需要确定合适的条件指标和训练模型来解释它们。这一过程很可能是迭代的,当你尝试不同的条件指标和不同的模型,直到你找到最好的模型为您的应用程序。最后,您部署算法并将其集成到您的系统机监控和维护。
获取数据
设计预见性维护算法以身体开始的数据。通常你必须管理和处理大型数据集,包括来自多个传感器的数据和多台机器在不同的时间和不同的操作条件下运行。你可能会获得一个或多个以下类型的数据:
真正的数据从系统正常操作
实际数据从系统操作错误的情况
真实的数据从系统故障(run-to-failure数据)
例如,您可能已经从系统操作传感器数据如温度,压力,振动。这些数据通常存储信号或时间序列数据。你可能也有文本数据,如数据维护记录,或其他形式的数据。这个数据存储在文件、数据库或诸如Hadoop分布式文件系统®。
在许多情况下,失败的数据机器不可用,或只有有限数量的故障数据集存在,因为正在执行定期维护和相对罕见的事件。在这种情况下,数据可以从模型生成失败万博1manbetx®模型代表不同故障条件下的系统操作。
预见性维护工具箱提供的功能组织、标识和访问这些数据存储在磁盘上。它还提供了工具来促进从模型生成的数据模型来预测维护算法开发。万博1manbetx有关更多信息,请参见数据集合体状态监测和预测维护。
数据进行预处理
数据预处理常常需要将数据转换为一种形式的条件指标很容易提取。数据预处理包括简单的技术,如局外人和缺失值删除,和先进的信号处理技术,如短时傅里叶变换和变换域的顺序。
理解您的机器和你的类型的数据可以帮助确定使用什么样的预处理方法。举个例子,如果你是过滤噪声振动数据,了解频率范围内最有可能显示有用的特性可以帮助你选择预处理技术。同样,它可能是有用的变换齿轮箱振动数据域,用于旋转机械的转速随时间变化。然而,同样的预处理不会从汽车底盘用于振动数据,这是一个刚体。
更多信息预处理数据预测维护算法,明白了状态监测的数据预处理和预测性维护。
识别条件指标
预测性维护算法开发的关键一步是识别条件指标,系统特性数据的行为变化可预测的方式系统降解。可以是任何一个条件指标功能,有助于区分正常和错误操作或预测剩余寿命。一个有用的条件相似的系统状态指示器集群到一起,并设置不同的状态。条件指标的例子包括大量来自:
简单的分析,如数据的平均值
更复杂的信号分析,如频率信号频谱的峰值大小,或统计矩描述光谱随时间的变化
基于模型的分析数据,比如一个状态空间模型的最大特征值估计使用数据
组合多个特性为一个有效的条件指标(融合)
例如,您可以使用振动数据监控一个变速箱的条件。变速箱损坏导致振动的频率和幅度的变化。峰值频率和峰值大小因此有用的条件指标,提供的信息出现在齿轮箱振动。监控的健康齿轮箱,你可以不断地分析振动数据在频域内提取这些条件指标。
即使你有真实的或模拟数据代表一系列的故障条件下,你可能不知道如何分析数据来识别有用的条件指标。正确的条件指标为您的应用程序依赖于什么类型的系统,系统数据和系统知识。因此,识别条件指标可能需要一些试验和错误,并经常与算法的训练步骤迭代开发流程。中提取条件的技术中常用的指标是:
顺序分析
模态分析
光谱分析
包络谱
疲劳分析
非线性时间序列分析
如剩余计算基于模型的分析,状态估计和参数估计
预见性维护工具箱补充功能在信号处理工具箱™等其它工具箱函数提取ieee或基于模型的条件指标测量或生成数据。有关更多信息,请参见识别条件指标。
列车检测或预测模型
预测性维护的核心算法是检测或预测模型。这个模型分析提取条件指标来确定系统的当前状态(故障检测和诊断)或预测其未来状态(剩余使用寿命预测)。
故障检测和诊断
故障检测和诊断指标的值依赖于使用一个或多个条件区分健康和错误操作,和不同类型的错误。一个简单的故障检测模型的阈值条件指标,表明当超过故障条件。另一个模型可能比较状态指示器指示值的统计分布来确定一个特定的故障状态的可能性。一个更复杂的故障诊断方法是训练一个分类器,比较了当前值的一个或多个状态指标的值与故障状态,并返回一个或另一个故障状态的可能性。
在设计你的预见性维护算法,可以测试不同的故障检测和诊断模型使用不同条件指标。因此,这一步在设计过程中很可能迭代的步骤提取条件指标,当你尝试不同的指标,指标的不同组合,不同的决策模型。统计和机器学习工具箱™和其它工具箱包括功能,您可以使用训练决策模型分类和回归等模型。有关更多信息,请参见决策模型的故障检测和诊断。
剩余使用寿命预测
预测模型的例子包括:
模型符合条件指标的时间演化和预测多长时间才能跨越一些阈值条件指标表明一个错误条件。
模型比较的时间演化条件指标测量或模拟时间序列系统,跑到失败。这样一个模型可以计算当前系统的最可能失效。
你可以预测剩余寿命预测与估计动态系统模型或状态。此外,预见性维护工具箱包括专业功能原则预测基于相似性等技术,阈值和生存分析。有关更多信息,请参见模型预测剩余寿命。
部署和集成
当你发现了一个算法来处理你的新系统数据,适当处理,并生成一个预测,部署算法并将其集成到您的系统。基于系统的细节,你可以在云上部署你的算法或嵌入式设备。
云的实现可能是有用的,当你收集和存储大量数据在云上。删除需要在云之间传输数据和本地机器运行预测和健康监测算法使得维护过程更加有效。结果计算云可以通过微博、邮件通知、网络应用和仪表板。
另外,该算法可以在嵌入式设备上运行,更接近实际的设备。这样做的主要好处是,发送的信息量减少数据传输只在需要时,更新和通知有关设备健康立即没有任何延迟。。
第三种选择是使用两种的组合。算法的预处理和特征提取部分可以在嵌入式设备上运行,而预测模型可以运行在云上并根据需要生成通知。在石油钻头等系统和飞机发动机连续运行并生成大量的数据,将所有数据存储在董事会或传输并不总是可行的,因为细胞带宽和成本的限制。使用一个算法作用于流数据或批次的数据可以存储和只在需要时发送数据。
MathWorks®代码生成和部署的产品可以帮助您完成这一步的工作流程。s manbetx 845有关更多信息,请参见部署预见性维护算法。
引用
[1]Isermann, R。故障诊断系统:介绍故障检测和容错。柏林:施普林格1 - 2006。
