基于信号的状态指示器
基于信号的状态指示器是通过处理信号数据得到的一个量。条件指示器捕获信号的某些特征,这些特征随着系统性能的降低而以可靠的方式变化。在设计用于预测性维护的算法时,可以使用这样的状态指示器来区分健康的机器操作和故障的机器操作。或者,您可以使用状态指示器中的趋势来识别指示磨损或其他正在发展的故障状况的降低系统性能的指标。
基于信号的状态指示器可以使用任何类型的信号处理提取,包括时域、频域和时频分析。基于信号的状态指示器的例子包括:
信号的平均值,随着系统性能的变化而变化
一种度量信号中混沌行为的量,它的存在可能表明故障状态
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,您可能需要探索您的数据并试验不同的条件指示器,以找到最适合您的机器、数据和故障条件的指示器。有许多函数可以用于信号分析,以生成基于信号的状态指示器。下面的部分总结了其中的一些。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。)
时域条件指示器
简单时域特征
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,将故障状态与健康状态区分开来。例如,一个特定信号的平均值(的意思是
)或其标准差(性病
)可能会随着系统健康状况的降低而改变。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,您可以尝试识别区分健康操作和错误操作的阈值,或者寻找标记系统状态变化的值的突然变化。
其他可以用来提取简单时域特征的函数包括:
时间序列数据中的非线性特征
在显示混沌信号的系统中,某些非线性特性可以指示系统行为的突然变化。这种非线性特征在分析轴承、齿轮和发动机等系统的振动和声音信号时是有用的。它们可以反映甚至在故障条件发生之前发生的潜在系统动力学相空间轨迹的变化。因此,利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的故障,例如当轴承轻微磨损时。
预测性维护工具箱™包括计算非线性信号特征的几个功能。这些量代表了描述系统中混乱程度的不同方法。混沌行为的增加表明故障状态的发展。
lyapunovExponent
-计算最大的李雅普诺夫指数,它表征了附近相空间轨迹的分离率。approximateEntropy
-估计时域信号的近似熵。近似熵量化了信号中规律性或不规律性的数量。correlationDimension
-估计信号的相关维数,这是信号所占用的相空间维数的度量。相关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,重构包含所有动态系统变量的相空间。
这个例子利用Simu金宝applink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来训练分类器。
频域状态指示器
对于某些系统,频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。可以用于计算频域条件指示器的一些函数包括:
这个例子使用振动信号的状态监测和预测使用这种频域分析来提取条件指标。
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。
时频条件指示器
时频谱特性
时频光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状态指标的函数包括:
这个例子滚动元件轴承故障诊断利用故障数据的频谱特征来计算状态指示器,以区分轴承系统中的两种不同故障状态。
时频时刻
时频矩提供了一种有效的描述方法非平稳的信号,频率随时间变化的信号。经典的傅里叶分析无法捕捉到随时间变化的频率特性。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捉到时变行为。时频矩提供了一种更紧凑地描述这种时频分布的方法。有三种类型的时频矩:
你也可以计算瞬时频率作为一个函数的时间使用instfreq
。