基于模型的条件指标
基于模型的条件指标是从拟合系统数据到模型和使用模型进行进一步处理得到的量。条件指示器捕获了当系统性能下降时更改的模型方面。基于模型的条件指标在以下情况下有用:
单从信号分析的特征来确定合适的条件指标是困难的。这种情况可能发生在除机器故障情况外，其他因素影响信号的情况下。例如，您测量的信号可能会因系统中其他地方的一个或多个输入信号而变化。
您了解系统或底层流程，这样您就可以对系统行为的某些方面进行建模。例如,您可能知道从系统知识有一个系统参数,如时间常数,这将改变系统降解。
您希望基于当前系统条件对未来系统行为进行预测或模拟。(见预测剩余使用寿命的模型。)
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，而不是从信号的直接分析中提取的条件指标，是有用和有效的。基于模型的条件指示器可以基于适合您的数据和系统的任何类型的模型，包括静态和动态模型。从模型中提取的条件指示器可以是数量如下:
模型参数，如系数的线性拟合。此类参数值的更改可以指示故障情况。
模型参数的统计特性，如方差。如果模型参数超出正常系统性能预期的统计范围，则可能表明出现了故障。
动态特性，如估计的动态模型的衰减系数由状态估计而获得的系统状态值，或磁极位置或。
从动态模型的模拟中得到的量。
在实践中，您可能需要探索不同的模型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。有许多方法可以用于标识基于模型的条件指示器。下面的部分总结了常见的方法。
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来提取条件指示器。例如，假设您通过在不同的机器、不同的时间或不同的条件下测量某些特征曲线来生成一个数据集合。然后，您可以将一个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示器。
这个例子离心泵的稳态故障诊断这种方法。该实例中的数据描述了泵扬程和流量之间的特征关系，在健康稳态运行期间，在一组泵中测量了流量。该示例执行了一个简单的线性拟合来描述该特性曲线。由于最佳拟合参数在整个集成中存在一些变化，本例使用由此产生的参数来确定拟合参数的分布和置信区域。对测试数据集进行同样的拟合就会产生参数，而这些参数与分布的比较就会产生故障的可能性。
您还可以使用静态模型来生成健康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该点最可能属于哪个分布。
动态模型
对于动态系统，在测得的信号（输出）的变化取决于系统的其它部分（输入）中的信号的变化。您可以使用这样的系统的动态模型来生成条件的指标。一些动态模型是基于输入和输出数据，而其他人可以仅仅基于时间序列的输出数据是合适的。你不一定需要底层的动态过程的已知模式来执行这样的模型拟合。然而，系统的知识可以帮助您选择模型，以适应型或结构。
模型拟合的一些功能包括:
党卫军——估计从时域状态空间模型的输入-输出数据或频率特性数据。基于“增大化现实”技术-从时间序列数据估计最小二乘自动递归(AR)模型nlarx-使用动态非线性估计器，如小波网络，树划分，和s型网络来建模非线性行为。
还有递归估计函数，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系统突变说明了这种方法。
有关可以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条件指标
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，模型参数或统计置信范围之外的值的变化可以指示故障情况。例如，如果您使用党卫军当故障发生时，磁极位置或阻尼系数可能会发生变化。您可以使用诸如之类的线性分析函数潮湿的,极,零从估计模型中提取动力学。
另一种方法是modalfit，它通过将一个信号分割成具有不同频率响应函数的多个模式来识别动态特性。
有时，您了解了一些系统动力学，可以使用微分方程或带有未知参数的模型结构来表示它们。例如，您可能可以根据物理参数(如时间常数、共振频率或阻尼系数)推导出系统模型，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估计参数值，并跟踪参数值在不同故障条件下的变化情况。可以用于灰色框估计的一些函数包括pem和nlarx。
一个金宝app仿真软件®模型也可以作为参数估计的灰色盒模型。您可以使用Simulin金宝appk在健康和错误的条件下使用有物理意义的参数对系统建模，并基于系统数据估计这些参数的值(例如，使用金宝appSimulink设计优化™)。
基于残差的条件指示器
使用动态模式的另一种方法是模拟模型和结果比较在该模型是基于真实数据。系统数据和模拟的估计模型的结果之间的差异被称为残差信号。这个例子离心泵的故障诊断泵使用残差分析分析的估计的剩余信号nlarx模型。算例计算了残差信号的几个统计特征和光谱特征。它将测试这些候选条件指示器，以确定在正常操作和几种不同的错误状态之间，哪个能提供最清晰的区别。
另一种基于残差的方法是识别代表不同健康和故障条件的集成数据的多个模型。对于测试数据，然后计算每个模型的残差。产生最小残差信号(因此是最佳拟合)的模型表明哪一种健康或故障状态最可能应用于测试数据。
对已识别的模型进行残差分析，使用命令如nlarx,基于“增大化现实”技术,或党卫军使用:
与基于case参数的条件指示器一样，您还可以使用Simulink构建用于剩余分析的模型。金宝app这个例子故障检测的数据基础的模式还说明了利用模拟数据识别出的模型的残差分析方法。
状态估计
系统状态值也可以作为条件指示器。系统状态对应于物理参数,因此突然或意想不到的状态值的变化可以指示故障条件。状态估计器，如unscentedKalmanFilter,extendedKalmanFilter,particleFilter让您实时跟踪系统状态值，以监视此类更改。下面的例子说明使用状态估计器进行故障检测:
相关话题
您也可以从以下列表中选择一个网站:
