用于状态监测和预测的算法

预测性维护计划使用状态监测和预测算法来分析系统运行中测量到的数据。

状态监测使用来自机器的数据来评估其当前状态，并检测和诊断机器中的故障。机器数据是使用专用传感器收集的温度、压力、电压、噪声或振动等数据。状态监控算法从称为状态指示器的数据中获得度量。一个条件指标系统数据的任何特性，其行为在系统降级时以可预测的方式改变。条件指示器可以是任何数量的数据，这些数据可以将相似的系统状态聚集在一起，并将不同的状态分开。因此，状态监测算法可以通过将新数据与已建立的故障状态标记进行比较来进行故障检测或诊断。

预测是根据机器当前和过去的状态预测什么时候会发生故障。预诊算法通常会对机器进行评估剩余使用寿命（rul）或通过分析机器的当前状态来或失败。预后可以使用建模，机器学习或两者的组合来预测条件指标的未来值。这些未来的值然后被用来计算RUL度量，其中确定是否和何时应执行维护。对于齿轮箱示例，预后算法可能将不同的峰值振动频率和大小符合时间序列来预测其未来值。然后，该算法可以将预测值与定义变速箱的健康操作的阈值进行比较，预测发生故障时。

预测性维护系统通过其他IT基础设施实现预测和状态监控算法，使算法的最终结果对执行实际维护任务的终端用户具有可访问性和可操作性。预测性维护工具箱™提供了帮助您设计此类算法的工具。

算法开发工作流程

下图显示了开发预测性维护算法的工作流。

从描述一系列健康和故障状态下的系统的数据开始，开发一个检测模型(用于状态监视)或预测模型(用于预测)。开发这样一个模型需要确定适当的条件指标，并培训一个模型来解释它们。这个过程很可能是迭代的，因为您需要尝试不同的条件指示器和不同的模型，直到找到适合您的应用程序的最佳模型。最后，部署算法并将其集成到系统中，以进行机器监控和维护。

获取数据

设计预测性维护算法从一组数据开始。通常，您必须管理和处理大量数据，包括来自多个传感器和在不同时间和不同操作条件下运行的多台机器的数据。您可以访问以下一种或多种类型的数据:

例如，您可能有来自系统操作(如温度、压力和振动)的传感器数据。这种数据通常存储为信号或时间序列数据。还可能有文本数据，例如来自维护记录的数据或其他形式的数据。这些数据存储在文件、数据库或分布式文件系统(如Hadoop)中^®。

在许多情况下，来自机器的故障数据是不可用的，或者只有有限数量的故障数据集存在，因为要进行定期维护，而且此类事件相对较少。在这种情况下，可以从Simulink中生成故障数据金宝app^®模型表示系统在不同故障条件下的运行情况。

预测性维护工具箱提供组织、标记和访问存储在磁盘上的此类数据的功能。它还提供了工具，以促进从Simulink模型生成数据，用于预测性维护算法的开发。金宝app有关更多信息，请参见用于状态监测和预测性维护的数据集成。

数据进行预处理

数据预处理通常是必要的，以便将数据转换为一种便于提取条件指示符的形式。数据预处理包括简单的技术，如离群值和缺失值去除，以及高级的信号处理技术，如短时间傅里叶变换和阶域变换。

了解您的计算机和您所拥有的数据类型可以帮助确定要使用的预处理方法。例如，如果您正在过滤嘈杂的振动数据，知道最有可能显示有用功能的频率范围可以帮助您选择预处理技术。类似地，将变速箱振动数据转换为订单域可能是有用的，当转速随时间变化时用于旋转机器。然而，相同的预处理对于来自汽车底盘的振动数据是不用的，这是刚体的振动数据。

有关预处理数据的预测性维护算法的更多信息，请参见用于状态监测和预测性维护的数据预处理。

识别条件指标

预测维护算法开发的关键步骤是识别条件指示器，即系统数据中的特性，它们的行为随着系统退化而以可预测的方式变化。状态指示器可以是任何对区分正常操作和错误操作或预测剩余使用寿命有用的特性。一个有用的状态指示器将相似的系统状态聚类在一起，将不同的状态分开。条件指标的例子包括:

例如，您可以使用振动数据监视变速箱的状况。齿轮箱的损坏导致振动的频率和幅度的变化。因此，峰值频率和峰值幅度是有用的条件指示器，提供有关齿轮箱中存在的振动类型的信息。要监控变速箱的运行箱，可以持续分析频域中的振动数据以提取这些条件指示灯。

即使您拥有代表一系列故障条件的真实或模拟数据，您也可能不知道如何分析这些数据以识别有用的条件指示器。应用程序的正确条件指示器取决于所拥有的系统、系统数据和系统知识的类型。因此，识别条件指标可能需要一些尝试和错误，并经常与算法开发工作流的训练步骤进行迭代。提取条件指标常用的技术有:

预测性维护工具箱补充了其他工具箱的功能，如信号处理工具箱™，具有从测量或生成的数据中提取基于信号或基于模型的条件指示器的功能。有关更多信息，请参见识别条件指标。

列车检测或预测模型

预测维护算法的核心是检测或预测模型。该模型通过分析提取的状态指标来确定系统当前的状态(故障检测和诊断)或预测其未来的状态(剩余使用寿命预测)。

部署和集成

当您确定了处理新系统数据的工作算法、适当地处理它并生成预测时，部署该算法并将其集成到您的系统中。根据系统的具体情况，可以将算法部署到云或嵌入式设备上。

当您在云中收集和存储大量数据时，云实现非常有用。消除了在云和运行预测和健康监控算法的本地机器之间传输数据的需求，使得维护过程更加有效。云计算的结果可以通过推文、电子邮件通知、web应用程序和仪表板提供。

或者，算法可以运行在嵌入式设备上，更接近实际设备。这样做的主要好处是减少了发送的信息量，因为只有在需要时才传输数据，并且可以立即获得关于设备健康状况的更新和通知，不存在任何延迟。

第三种选择是两者结合使用。算法的预处理和特征提取部分可以在嵌入式设备上运行，而预测模型可以在云上运行，根据需要生成通知。在石油钻井和飞机引擎等连续运行并产生大量数据的系统中，由于蜂窝网络带宽和成本限制，在飞机上存储或传输所有数据并不总是可行的。使用对流数据或数据批处理操作的算法，让您仅在需要时存储和发送数据。

MathWorks^®代码生成和部署产品可以帮助您完成工作流的这一步。下载188bet金宝搏有关更多信息，请参见部署预测性维护算法。