预见性维护,第2部分:特征提取识别条件指标
从系列:预见性维护
Melda Ulusoy, MathWorks
条件指标帮助您更好地理解你的数据区别健康和故障状态的机器。你可以推出条件指标从数据使用时域,频域和时频域特性。
这个视频中使用一个三缸泵的例子走过预见性维护工作流和识别条件指标。算法的第一步是收集数据代表健康和压力故障状态。然后原始测量数据预处理通过清理噪音。预处理可以将原始数据转换成状态指标,可以提炼出的一种形式。接下来,不同特性调查,看看他们独特的分开不同的故障类型之间的差异。提取条件指标后,机器学习模型训练与选定的一组训练模型的特性和性能评估使用混淆矩阵。
预见性维护,第2部分:特征提取识别条件指标
在这个视频中,我们将讨论条件指标,它们是什么,为什么他们很重要,以及如何选择他们。让我们从视觉开始锻炼。这两个形状之间的区别是什么?看起来没有任何显著差异因为两个圆圈看起来几乎相同。然而,如果我们从不同的角度看,我们清楚地看到的差异,可以识别他们作为一个圆柱和一个圆锥。同样的,当你看原始测量数据从您的机器,它是很难分辨健康从错误的操作。但是,使用条件指标,我们可以从不同的角度看数据,帮助我们区分健康和错误操作。
你可以推出条件指标数据通过使用时间,频率,和时频域特性。时域特性包括均值、标准差、偏态和其他特性列在这里。频域特性也能作为条件指标和帮助诊断错误。例如,如果我们看看从这台机器在时域振动数据,我们看到的综合效应从不同的旋转部件的振动。通过在频域分析数据,我们可以分离不同的振动源。值和峰值多少改变名义值可以显示故障的严重程度。这里有一些其他的频域特性,可以作为条件指标。提取特征的另一种方法是看在时频域的数据,这有助于描述光谱信号内容的变化。附加功能,请查看链接的视频描述。
这是预见性维护工作流,我们讨论了在前面的视频。现在,我们要用一个三缸泵的例子,按照下面的步骤来确定条件指标,也被称为功能。在我们继续之前,我们先明确我们真正需要这些特性的原因。一旦我们找出一些有用的特性,我们使用它们来训练一个机器学习模型。如果选定的一组特性好,这意味着他们独特的定义健康的操作和不同的故障类型,当我们饲料新机器的数据模型,该模型能正确地估计机器的当前状态。然而,如果没有独特的特性,训练模型可能估计不准确。
让我们看看我们如何能提取一些有用的特性。这个动画显示泵是如何工作的。一个发动机曲轴驱动三个活塞。液体被吸这里和放电测量的压力传感器。的一些缺点,可以开发这样一个泵包括密封泄漏,封锁了入口,穿过轴承。这图显示了压力数据已经收集了一秒钟在稳定状态。它包括测量正常运行,所有三个故障类型,以及它们的组合。我们首先需要对这些数据进行预处理,把它从一种形式,我们可以提取条件指标。原始数据噪声和峰值了传感器的最大价值。也及时抵消即使持续时间的测量是相同的。 After cleaning up the noise and removing the offset, this is how the preprocessed data looks like. Now, this data includes all these conditions, but we can show them on separate plots to investigate different fault types and their combinations. The first thing we notice here is the cyclical behavior of the time-domain pressure signal. We can zoom in to better see what’s happening in each cycle. On each plot, the nominal values are shown with black, and the colored lines represent faulty operation. Now the question is: Can we distinguish the black line, the healthy operation, from the rest of the data on each plot, and can we also identify the unique differences between each set of colored lines? As you see here, the pressure data looks very similar for these two faults. Let’s use some of the time-domain features to identify condition indicators. Initially, you don’t know which features will do the best job of revealing the differences between fault types. Therefore, in this part you follow a trial-and-error method until you find some useful features you can work with. The first set of features that we’ll try are shown on the screen. One way to understand if these condition indicators can differentiate different types of faults is to investigate them using a boxplot.
首先,我们将只看单一功能,的意思是,健康状况,封锁了入口的错。情节,箱子不重叠。这意味着这些数据组是有区别的。通过使用的意思是,我们可以很容易地分辨阻止进口断层健康状况。然而,事情的变化,当我们不断增加其他故障类型的数据集。我们不能够区分故障类型其中一些重叠。如果我们试着与其他功能,我们拥有相同的结论:一个单一的条件指标不足以分类错误的行为,特别是当你有多个错误。因此,现在我们要看看两个特性的散点图,均值和方差。我们立即看到,有两个条件指标我们可以更好的独立不同的缺点。正如我们在此所做的,你可以尝试不同的双功能,看看哪些是更好的分类错误。
正如我们前面所讨论的,频域分析是重要的分析周期性数据和数据从一台机器与旋转组件获得的。因此,现在我们将进一步调查数据在频域,看看我们可以提取一些额外的特性。这些情节互相区别的峰值和峰值频率,因此这些指标可以作为条件。让我们回到我们用于时域分析的情节。很难区分这两个互相的缺点,因为相似的数据集。但通过观察数据从不同的角度来看,我们可以看到,高峰值在这个频率范围将帮助我们成功地分离这两个缺点。选择这些频域特性之后,我做了一个类似的分析的时域特性。我观察到所选择的特性是独特的和适合使用培训机器学习模型。请注意,当我们调查这些特性,我们不仅在寻找不同的集群,但我们也希望他们远离彼此,因为这种方式训练模型可以更好地识别集群将属于一个新的数据点。
提取条件指标后,机器学习模型可以用提取的特征和训练有素的训练模型的准确性可以检查混淆矩阵,像这一个。对角线上的条目,情节显示多少次断层组合正确预测。和非对角的值显示不正确的预测。
既然我们已经讨论了特征提取,您可能想知道有多少功能足够好的训练机器学习模型。不幸的是,没有神奇的数字,我可以给你。你可能只有几个特性是独特的,你真正理解。但机器学习的美妙之处在于,它可以使用大量的特性对数据进行分类。因此,您的模型可以受益于一组高维的特征。
在这个视频中,我们讨论了如何条件指标帮助我们区分健康状况和故障以及不同类型的错误。我们还展示了一个例子,我们使用ieee方法提取条件指标。下一节,我们将讨论剩余使用寿命的评估。别忘了看看下面的描述对如何开发更多的资源和链接预测维护算法和MATLAB仿真软件。万博1manbetx
相关产品s manbetx 845
了解更多
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。