基于模型的状态指示器
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获得的数量。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可以在以下情况下使用:
仅使用信号分析的特征很难识别合适的条件指标。除了机器的故障状况外，当其他因素影响信号时，就会发生这种情况。例如，您测量的信号可能会根据系统中其他地方的一个或多个输入信号而变化。
您拥有系统或底层流程的知识，这样您就可以对系统行为的某些方面进行建模。例如，您可能从系统知识中知道有一个系统参数，例如时间常数，它将随着系统的退化而改变。
您希望基于当前系统条件对未来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，而不是直接从信号分析中提取的条件指标，可能是有用且有效的。基于模型的状态指示器可以基于适合您的数据和系统的任何类型的模型，包括静态模型和动态模型。从模型中提取的条件指示器可以是如下数量:
模型参数，如线性拟合的系数。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。如果模型参数落在正常系统性能预期的统计范围之外，则可能表明存在故障。
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。
由动态模型仿真得到的量。
在实践中，您可能需要探索不同的模型并试验不同的状态指示器，以找到最适合您的机器、数据和故障条件的指示器。您可以采用许多方法来识别基于模型的条件指示器。下面几节总结了常见的方法。
静态模型
当您从稳态系统运行中获得数据时，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提取条件指标。例如，假设您通过在不同的机器上、在不同的时间或在不同的条件下测量某些特征曲线来生成数据的集合。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。该示例中的数据描述了泵扬程和流量之间的特征关系，该关系是在健康稳定运行的泵组中测量的。这个例子执行一个简单的线性拟合来描述这个特征曲线。由于最佳拟合参数在整个集成中存在一些变化，因此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将产生参数，将这些参数与分布进行比较将产生故障的可能性。
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这个点最有可能属于哪个分布。
动态模型
对于动态系统，测量信号(输出)的变化取决于系统中其他地方(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。您不一定需要底层动态过程的已知模型来执行这种模型拟合。但是，系统知识可以帮助您选择适合的模型类型或结构。
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(如小波网络、树分区和sigmoid网络)建模非线性行为。
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突然的系统变化说明了这种方法。
有关可用于模型拟合的更多函数，请参见识别条件指标。
基于模型参数或动力学的状态指示器
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，模型参数或值超出统计置信界限的变化可以指示故障条件。例如，如果您使用党卫军时，极点位置或阻尼系数可能随故障条件的发展而变化。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响函数的多个模式来识别动态特性。
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来表示它们。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来估计参数值，并跟踪这些参数值随不同故障条件的变化。可以用于灰盒估计的一些函数包括pem而且nlarx。
一个金宝app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金宝appk在健康和故障条件下使用有物理意义的参数对系统进行建模，并根据系统数据估计这些参数的值(例如，使用中的工具)金宝appSimulink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差值残差信号。这个例子基于残余分析的离心泵故障诊断分析了残差信号的估计nlarx模型。本例计算了残差信号的几个统计特征和谱特征。它测试这些候选条件指标，以确定哪些指标在健康操作和几种不同的错误状态之间提供了最明显的区别。
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确定多个模型。对于测试数据，然后计算每个模型的残差。产生最小残留信号(因此是最佳拟合)的模型表明哪种健康或故障条件最有可能应用于测试数据。
对于使用以下命令获得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:
与基于情况参数的条件指示器一样，您还可以使用Simulink构建残差分析模型。金宝app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器。系统状态与物理参数相对应，状态值的突然或意外变化可以指示故障情况。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一个网站:
