这个例子展示了如何处理和从分段提取特征数据,其中包含轴故障恶化的证据,以及如何执行预后排名来决定哪些特性是最好的决定剩余使用寿命(原则)。荷重软化特性开发基于run-to-failure数据而不是有条件地分组数据。
示例假设您已经熟悉基本操作与应用。使用应用教程,看看识别条件指标预测维护算法设计。
下图演示了一个动力传动系统有六个齿轮。汽车动力传动系统的安装振动传感器。动力传动系统没有转速表。电机驱动恒转速为1800 rpm,没有变化。在这种动力传动系统:
电机轴上齿轮1网格与齿轮传动比的齿轮2:1。
最后的齿轮传动比,或齿轮1和2之间的比率和齿轮3和4,51:1。
齿轮5,也在电机轴上,网格与齿轮传动比的齿轮6 10:1。
十个模拟机器用这个动力传动系统。所有的机器有故障发展轴上的齿轮6。此错误每天变得更糟。故障发展的速率为每台机器是固定的,但是不同的机器。
数据被记录在一个0.21年代时期每天15天。对于每台机器,这些日常部分存储在相邻的位置在一个变量中。反映的时间戳数据记录时间和不断增加。例如,如果第一天的时间戳在最后一个示例tf和样品时间T年代,然后第二天的时间戳在第一次样品tf+T年代。
首先,将数据加载到你的MATLAB®工作区和开放诊断功能设计。
负载(fullfile (matlabroot“工具箱”,“predmaint”,“predmaintdemos”,…“motorDrivetrainDiagnosis”,“machineDataRUL3”),“motor_rul3”)diagnosticFeatureDesigner
导入数据。为此,在功能设计选项卡上,单击新会话。然后,在选择更多的变量区域的新会话窗口中,选择motor_rul3
作为你的源变量。
完成导入过程接受缺省配置和变量。套装包含一个数据变量信号/ vib
,其中包含振动信号。没有条件变量。
查看振动信号。为此,在数据浏览器使用,选择信号和阴谋信号跟踪。信号的振幅增加不断随着缺陷的进展。
原则在开发功能使用,你有兴趣跟踪退化而不是孤立的发展特定的错误。时间的历史一个有用的荷重软化特性提供了可见性降解率,并最终使时间失败的投影。
框架处理允许您跟踪下降段的段的进展。小段中捕获或突然的变化。基于航段功能退化的传达一个更精确的记录比特征提取可以提供完整的信号。荷重软化预测,退化是一样重要的进展率的大小缺陷在给定的时间。
每台机器的数据集提供一段数据支持分段处理的每一天。金宝app指定框架处理,以便分别处理的每一个片段。由于数据被收集在0.21 s片段,单独加工到0.21年代的数据帧。
点击计算选择。在对话框中,设置数据处理方式来框架。数据段是连续的,所以设置帧大小和帧速率0.21
秒。
Time-synchronous平均(TSA)平均一个信号在一个旋转,大幅降低噪音与旋转不连贯。TSA-filtered信号提供了依据rotational-machinery分析,包括功能的一代。
在这个例子中,旋转速度是固定为每台机器相同的1800 rpm值。
计算TSA信号,选择过滤和平均> Time-Synchronous信号平均。在对话框中:
确认选择信号。
在转速计信息中,选择恒转速(RPM)并设置值1800年
。
接受其他设置。
应用程序分别计算每个部分的TSA的信号,和默认阴谋第一部分。
使用淘洗沙金的人来展开情节片段。情节显示略有增加振幅。
使用TSA信号来计算时域旋转机械特性。
因为你没有条件变量,得到的直方图只显示部分特征值的分布。
你也可以看看特征跟踪情节如何随时间变化的特性。这样做,功能表中,选择FeatureTable1
。在情节画廊,选择特征跟踪。
特征跟踪的情节,这三个特性显示出上升斜率对应持续恶化。特性的值相对于另一个没有意义,代表不同的特性指标,并不是标准化的。
光谱特性通常工作得很好当一个缺陷导致周期性振荡。从你的TSA信号提取光谱特征。首先计算功率谱。为此,选择谱估计功率谱。选择TSA信号和改变算法来韦尔奇的方法
。
第一段包括不同的频谱峰值在500 Hz, 1540 Hz。转速为1800 rpm或30 Hz。这些峰值频率之间的比率大约是17岁,51岁,与齿轮比率一致。其间的山峰是额外的谐波的频率。
的顺序和频率域,段光谱叠加。淘洗沙金的人允许您选择多个片段就像它在时域。将淘洗沙金的人设置为覆盖所有的段。当你扩张段的数量,增加在300赫兹。这个频率对应于一个10的30 Hz的转速,并表示越来越多的缺陷。
提取光谱特性。为此,单击光谱特性并确认光谱将你的功率谱。使用滑块,约4000赫兹范围限制在山峰的地区。功率谱图自动从对数线性变化的规模和缩放范围选择。
生成的直方图阴谋现在包括光谱特性。
情节和频带能量特征跟踪,看看它与all-segment功率谱。使用选择功能其他功能的痕迹。
频带能量特征捕获的缺陷在每台机器的进展。其他两个光谱特性的痕迹不跟踪缺陷的进展。
排名的功能,看看哪些执行最适合预测原则。这个应用程序提供了三种预测排名方法:
单调性特征特性随着系统的发展的趋势走向失败。作为一个系统会逐步接近失败,一个合适的条件指标有一个单调正面或负面的趋势。有关更多信息,请参见单调性
。
Trendability提供了一个衡量相似性的轨迹在多个run-to-failure特性测量实验。候选人的trendability条件指标被定义为最小的绝对测量数据之间的相关性。有关更多信息,请参见trendability
。
Prognosability是一个衡量的变化特性在失败相对于其初始和最终价值之间的范围。在失败多prognosable功能少变化相对于其初始和最终价值之间的范围。有关更多信息,请参见prognosability
。
点击等级特性并选择FeatureTable1
。因为你没有条件变量,应用程序默认为预后排名技巧单调性
。
的四个特性在或接近最大得分。两个功能,PeakAmp1
和PeakFreq1
分数低得多。
添加另外两个排名的预后的方法。点击预后排名并选择Trendability
。点击应用然后关闭Trendability。
重复前面的步骤Prognosability
。现在排名情节包含所有三种排序方法的结果。
排名结果与功能策划痕迹一致提取光谱特征。
跟踪故障恶化的特性有很高的分数单调性
。这些特性也有高分的其他两种方法。
PeakFreq1
第二,排名最低单调性
分数,分数都很高Trendability
和Prognosability
。这些高分数的结果接近轨迹之间的协议特性和低变异性的模拟、故障是最大的。
PeakAmp1
低分数排名,反映不敏感的缺陷发展和变化的这一特性的机器值这个特性。
因为你有四个特性得分在所有类别,选择这些特性作为推进的荷重软化的特性集的算法。
诊断功能设计|单调性
|trendability
|prognosability