基于信号的状态指示器是从处理信号数据中得到的量。条件指示器捕捉信号的某些特征,这些特征在系统性能下降时以可靠的方式变化。在设计用于预测性维护的算法时,可以使用这样的条件指示器来区分正常和故障的机器操作。或者,您可以使用状态指示器中的趋势来识别磨损或其他正在发生故障的系统性能下降。
基于信号的状态指示器可以使用任何类型的信号处理来提取,包括时域、频域和时频分析。基于信号的条件指示器的例子包括:
随系统性能变化而变化的信号的平均值
一种量,用于测量信号中的混沌行为,其存在可能预示着故障状态
信号频谱中的峰值幅度,或峰值幅度出现的频率,如果这种频域行为的变化表明机器条件的变化
在实践中,您可能需要研究您的数据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、数据和故障条件的指示器。您可以使用许多函数进行信号分析,以生成基于信号的条件指示器。下面几节总结了其中一些。可以对数组或时间表中的信号使用这些函数,例如从集成数据存储中提取的信号。(见用于状态监测和预测性维护的数据集成.)
对于某些系统,时间信号的简单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,特定信号的平均值(的意思是
)或其标准偏差(性病
)可能会随着系统健康状况的恶化而改变。或者,你可以尝试信号的高阶矩,比如偏态
和峰度
.有了这些特性,您可以尝试识别用于区分正常操作和错误操作的阈值,或者查找标记系统状态更改的值中的突变。
其他可以用来提取简单时域特征的函数包括:
在表现出混沌信号的系统中,某些非线性特性可以指示系统行为的突然变化。这种非线性特征可以用于分析来自轴承、齿轮和发动机等系统的振动和声音信号。它们可以反映甚至在故障条件发生之前发生的基础系统动力学相空间轨迹的变化。因此,使用非线性特征监测系统的动态特性可以帮助更早地识别潜在故障,例如轴承轻微磨损时。
预测性维护工具箱™包括几个计算非线性信号特性的功能。这些量代表了描述系统混乱程度的不同方法。混沌行为的增加可以表明正在发展的故障状态。
lyapunovExponent
-计算最大的李雅普诺夫指数,该指数表征附近相空间轨迹的分离率。
approximateEntropy
-估计时域信号的近似熵。近似熵量化了信号的规则度或不规则度。
correlationDimension
-估计信号的相关维数,相关维数是信号所占相空间的维数。关联维数的变化表明底层系统相空间行为的变化。
这些非线性特征的计算依赖于phaseSpaceReconstruction
函数,它重建包含所有动态系统变量的相空间。
这个例子使用Simu金宝applink生成故障数据利用简单的时域特征和非线性特征作为诊断不同故障条件的候选特征。该示例计算模拟数据集合中每个成员的所有特征,并使用得到的特征表训练分类器。
对于某些系统,频谱分析可以产生信号特征,这对区分健康和故障状态是有用的。一些函数可以用来计算频域条件指标包括:
这个例子利用振动信号进行状态监测和预测利用这种频域分析方法提取条件指标。
有关可用于频域特征提取的函数列表,请参见识别条件指标.
时频频谱特性是表征信号频谱内容随时间变化的另一种方法。基于时频谱分析计算条件指标的功能包括:
这个例子滚动轴承故障诊断利用故障数据的频谱特征来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,频率随时间变化的信号。经典的傅里叶分析无法捕捉到频率的时变特性。由短时傅里叶变换或其他时频分析技术生成的时频分布可以捕获时变行为。时频矩提供了一种更紧凑地描述这种时频分布的方法。时频矩有三种类型:
你也可以计算瞬时频率作为时间的函数使用instfreq
.