基于模型的状态指标
基于模型的状态指示器是通过将系统数据拟合到模型并使用模型执行进一步处理而得到的一个量。条件指示器捕获随着系统性能下降而变化的模型方面。基于模型的条件指示器在以下情况下很有用:
仅使用信号分析的特征很难识别合适的状态指标。除了机器的故障之外，当其他因素影响信号时，就会发生这种情况。例如，您测量的信号可能取决于系统中其他地方的一个或多个输入信号。
您拥有系统或底层流程的知识，因此可以对系统行为的某些方面建模。例如，您可能从系统知识中知道，有一个系统参数(如时间常数)将随着系统降级而改变。
您希望基于当前系统条件对未来的系统行为进行一些预测或模拟。(见剩余使用寿命预测模型．)
在这种情况下，将数据拟合到某些模型中并使用从模型中提取的条件指标而不是从信号的直接分析中提取的条件指标可能是有用和有效的。基于模型的条件指示器可以基于适合您的数据和系统的任何类型的模型，包括静态和动态模型。从模型中提取的条件指示器可以是如下数量:
模型参数，如线性拟合系数。该参数值的变化可能表明出现了故障。
模型参数的统计性质，如方差。超出正常系统性能所期望的统计范围的模型参数可能表明存在故障。
动态特性，如通过状态估计获得的系统状态值，或估计的动态模型的极点位置或阻尼系数。
从动态模型的模拟中得到的量。
在实践中，您可能需要探索不同的模型并使用不同的条件指示器进行试验，以找到最适合您的机器、数据和故障条件的模型。您可以采用许多方法来标识基于模型的条件指示器。以下部分总结了常用的方法。
静态模型
当您拥有从稳态系统运行中获得的数据时，您可以尝试将数据拟合到静态模型中，并使用该模型的参数来提取条件指示器。例如，假设您通过在不同的机器、不同的时间或不同的条件下测量一些特征曲线来生成一个数据集合。然后，您可以将多项式模型拟合到特征曲线上，并使用得到的多项式系数作为条件指标。
这个例子基于稳态实验的离心泵故障诊断采用这种方法。该实例中的数据描述了泵扬程和流量之间的特征关系，这些数据是在一组泵的健康稳定运行状态下测量的。该示例执行一个简单的线性拟合来描述该特征曲线。由于最佳拟合参数在整个集合中存在一些变化，该示例使用得到的参数来确定拟合参数的分布和置信区域。对测试数据集执行相同的拟合会得到参数，将这些参数与分布进行比较会得到发生故障的可能性。
还可以使用静态模型生成健康数据和错误数据的分组分布。当您从测试数据中获得一个新点时，您可以使用假设检验来确定该点最可能属于哪个分布。
动态模型
对于动态系统，被测信号(输出)的变化依赖于系统其他部分(输入)信号的变化。您可以使用这样一个系统的动态模型来生成条件指示器。一些动态模型同时基于输入和输出数据，而另一些模型可以仅基于时间序列输出数据进行拟合。执行这种模型拟合并不一定需要底层动态过程的已知模型。然而，系统知识可以帮助您选择适合的模型的类型或结构。
一些你可以用于模型拟合的函数包括:
党卫军-从时域输入输出数据或频率响应数据估计状态空间模型。基于“增大化现实”技术-从时间序列数据估计最小二乘自递归(AR)模型。nlarx-使用动态非线性估计器建模非线性行为，如小波网络，树划分，和sigmoid网络。
还有一些递归估计函数，可以让您在收集数据时实时拟合模型，例如recursiveARX．这个例子使用识别技术检测系统突变说明了这种方法。
有关可用于模型拟合的更多函数，请参见识别状况指标．
基于模型参数或动力学的条件指标
模型的任何参数都可以作为有用的条件指示器。与静态模型一样，模型参数或超出统计置信范围的值的变化可以指示故障情况。例如，如果您使用党卫军，极点位置或阻尼系数可能随着故障情况的发展而变化。您可以使用线性分析函数，例如潮湿的，极,零从估计的模型中提取动力学。
另一种方法是modalfit，它通过将信号分离为具有不同频率响应函数的多个模态来识别动态特性。
有时，您了解一些系统动力学，并可以使用带有未知参数的微分方程或模型结构表示它们。例如，您可能能够根据时间常数、谐振频率或阻尼系数等物理参数推导出系统的模型，但这些参数的精确值是未知的。在这种情况下，您可以使用线性或非线性的方框模型估计参数值，并跟踪这些参数值在不同故障条件下的变化。可以用于灰盒估计的一些函数包括pem而且nlarx．
一个万博1manbetx仿真软件®模型还可以作为参数估计的灰盒模型。您可以使用Simulin万博1manbetxk使用具有物理意义的参数在健康和故障条件下对系统建模，并基于系统数据估计这些参数的值(例如，使用中的工具)万博1manbetxSimulink设计优化™）.
基于残差的条件指标
使用动态模型的另一种方法是模拟模型，并将结果与模型所基于的真实数据进行比较。系统数据与模拟估计模型的结果之间的差异称为残差信号．这个例子基于残差分析的离心泵故障诊断对估计的残差信号进行分析nlarx模型。该示例计算了残差信号的一些统计和光谱特征。它测试这些候选条件指示符，以确定哪些指示符提供了健康操作和几种不同故障状态之间最明确的区别。
另一种基于残差的方法是为表示不同健康和故障条件的集成数据识别多个模型。对于测试数据，然后计算每个模型的残差。产生最小残余信号(因此是最佳拟合)的模型表明最可能适用于测试数据的健康或故障状态。
对于使用命令获取的已识别模型的残差分析nlarx，基于“增大化现实”技术,或党卫军使用:
与基于案例参数的条件指示器一样，还可以使用Simulink构建残差分析模型。万博1manbetx这个例子基于数据模型的故障检测还说明了残差分析方法，使用从模拟数据识别的模型。
状态估计
系统状态的值也可以作为条件指示符。系统状态对应物理参数，因此状态值的突然或意外变化可以指示故障状态。状态估计器，例如unscentedKalmanFilter，extendedKalmanFilter,particleFilter让您实时跟踪系统状态的值，以监视此类变化。下面的例子说明了状态估计器在故障检测中的使用:
相关的话题
您也可以从以下列表中选择网站: