预测性维护,第2部分:识别状态指示器的特征提取
从系列中:预见性维护
Melda Ulusoy, MathWorks
状态指示器通过区分机器的健康状态和故障状态,帮助您更好地理解数据。您可以使用时域、频域和时频域特征从数据中导出条件指示器。
本视频以三缸泵为例,介绍预测性维护工作流程并识别状态指标。该算法的第一步是收集代表健康和故障状态的压力数据。然后通过清除噪声对原始测量进行预处理。预处理有助于将原始数据转换为可以从中提取条件指示器的表单。接下来,研究不同的特征,看看它们是否唯一地区分了不同故障类型之间的差异。在提取条件指标后,使用所选特征集训练机器学习模型,并使用混淆矩阵评估训练模型的性能。
预测性维护,第2部分:识别状态指示器的特征提取
在这个视频中,我们将讨论条件指示器,它们是什么,为什么它们很重要,以及如何选择它们。让我们从视觉练习开始。这两种形状的区别是什么?看起来没有什么明显的区别,因为两个圆看起来几乎一样。然而,如果我们从不同的角度看它们,我们就能清楚地看到它们的区别,并能把它们区分为圆柱体和锥体。类似地,当您查看机器的原始测量数据时,很难区分正常运行和故障运行。但是,使用状态指示器,我们能够从不同的角度查看数据,帮助我们区分健康操作和错误操作。
您可以通过使用时间、频率和时频域特征从数据中获得条件指示器。时域特征包括均值、标准差、偏度和这里列出的其他特征。频域特征还可以作为状态指示器,帮助诊断故障。例如,如果我们在时域中观察这台机器的振动数据,我们可以看到来自不同旋转部件的所有振动的综合效应。通过频域数据分析,可以隔离不同的振动源。峰值以及与标称值相比的变化幅度可以表明故障的严重程度。下面是其他一些频域特征,可以作为条件指示器。提取特征的另一种方法是在时频域观察数据,这有助于表征信号频谱内容随时间的变化。欲了解更多功能,请查看视频描述中给出的链接。
这就是我们在之前的视频中讨论过的预测性维护工作流程。现在,我们将使用一个三缸泵的例子,并遵循这些步骤来识别也被称为特征的条件指示器。在继续之前,让我们澄清一下为什么我们真正需要这些特性。一旦我们确定了一些有用的特征,我们就用它们来训练机器学习模型。如果选择的特征集是好的,这意味着它们唯一地定义了健康的运行和不同的故障类型,当我们将机器的新数据输入模型时,模型可以正确地估计机器的当前状态。但是,如果特征不明显,训练后的模型估计可能不准确。
让我们看看如何为泵提取一些有用的特征。这个动画展示了泵是如何工作的。一个马达转动曲轴,带动三个柱塞。液体在这里被吸入,在这里被排出,压力由传感器测量。这种泵可能出现的一些故障包括密封泄漏、进口堵塞和轴承磨损。该图显示了稳定状态下一秒内收集到的压力数据。它包括对正常运行、所有三种故障类型及其组合的测量。我们首先需要对这些数据进行预处理,并将其转化为可以从中提取条件指示器的表单。原始数据是有噪声的,并且有峰值达到传感器的最大值。它在时间上也被抵消了,即使测量的持续时间是相同的。 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,我们将只看一个单一的特征,即平均值,为健康状况和阻塞的进口故障。在图中,这些盒子没有重叠。这意味着这些数据组之间是有区别的。利用均值可以很容易地将进气道堵塞故障与正常状态区分开。然而,当我们不断添加其他故障类型的数据集时,情况也会发生变化。我们无法区分故障类型,因为其中一些是重叠的。如果我们也尝试使用其他特性,我们最终会得到相同的结论:单个条件指示器不足以对错误行为进行分类,特别是当您有多个错误时。因此,现在我们要看两个特征的散点图,均值和方差。我们立即看到,使用两个条件指示器,我们可以更好地分离不同的故障。正如我们在这里所做的那样,您可以尝试不同的特征对,看看哪些特征更适合分类错误。
正如我们前面所讨论的,频域分析在分析周期数据和从具有旋转部件的机器获得的数据时非常重要。因此,现在我们将在频域进一步研究我们的数据,看看我们是否可以提取一些额外的特征。这些图彼此之间的区别是峰值和峰值频率,因此这些可以作为条件指标。让我们回到时域分析时用过的图。由于数据集的相似性,很难区分这两个故障。但是现在通过从不同的角度看数据,我们看到这个频率范围内的峰值将帮助我们成功地分离这两个断层。在选择这些频域特征后,我做了类似于我们对时域特征所做的分析。我观察到所选择的特征是独特的,并且是训练机器学习模型的良好候选者。请注意,当我们研究这些特征时,我们不仅要寻找不同的聚类,而且还希望它们彼此之间距离更远,因为这样训练过的模型可以更好地识别新数据点将属于哪个聚类。
在提取条件指标后,可以使用提取的特征训练机器学习模型,并且可以使用混淆矩阵检查训练模型的准确性,就像这样。在对角线条目上,图表显示了正确预测故障组合的次数。而非对角线的值表示错误的预测。
既然我们已经讨论了特征提取,你可能想知道有多少特征足够好来训练机器学习模型。不幸的是,我不能给你一个神奇的数字。你可能只有一些独特的特征,而你真正理解得很好。但机器学习的美妙之处在于,它可以使用大量的特征来对数据进行分类。因此,您的模型可以受益于高维特征集。
在本视频中,我们讨论了条件指示器如何帮助我们区分健康状态和故障以及不同类型的故障。我们还展示了一个使用基于信号的方法提取条件指示器的示例。在下一集视频中,我们将讨论剩余使用寿命估计。不要忘记查看下面的描述,以获得更多关于如何使用MATLAB和Simulink开发预测性维护算法的资源和链接。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。