基于信号的状态指示器是从处理信号数据中得到的量。条件指示器捕捉信号的某些特征,这些特征在系统性能下降时以可靠的方式变化。在设计用于预测性维护的算法时,可以使用这样的条件指示器来区分正常和故障的机器操作。或者,您可以使用状态指示器中的趋势来识别磨损或其他正在发生故障的系统性能下降。
基于信号的状态指示器可以使用任何类型的信号处理来提取,包括时域、频域和时频分析。基于信号的条件指示器的例子包括:
随系统性能变化而变化的信号的平均值
一种量,用于测量信号中的混沌行为,其存在可能预示着故障状态
如果这种频域行为的变化指示改变机器条件,则信号频谱中发生信号频谱中的峰值或峰值幅度的频率
在实践中,您可能需要研究您的数据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。您可以使用许多函数进行信号分析,以生成基于信号的条件指示器。下面几节总结了其中一些。可以对数组或时间表中的信号使用这些函数,例如从集成数据存储中提取的信号。(见条件监控和预测维护的数据集合.)
对于某些系统,时间信号的简单统计特征可以作为状态指示器,区分故障状态和健康状态。例如,特定信号的平均值(的意思是
)或其标准偏差(性病
)可能会随着系统健康状况的恶化而改变。或者,你可以尝试信号的高阶矩,比如歪斜
和峰度
.通过此类功能,您可以尝试识别区分健康操作的阈值,或查找标记系统状态更改的值的突然变化。
其他可以用来提取简单时域特征的函数包括:
在表现出混沌信号的系统中,某些非线性属性可以表示系统行为的突然变化。这种非线性特征可用于分析来自诸如轴承,齿轮和发动机的系统的振动和声学信号。它们可以反映甚至在发生故障条件之前发生的底层系统动态的相位空间轨迹的变化。因此,监视使用非线性特征的系统的动态特性可以帮助识别潜在的故障,例如当轴承略微磨损时。
预测维护工具箱™包括用于计算非线性信号功能的多个功能。这些数量代表了在系统中表征混沌水平的不同方式。混沌行为的增加可以表明发育不变状态。
Lyapunovexponent.
- 计算最大的Lyapunov指数,其特征在于附近的相位空间轨迹的分离速率。
近似
- 估计时域信号的近似熵。近似熵量化信号中的规律性或不规则程度。
相关性;
-估计信号的相关维数,相关维数是信号所占相空间的维数。关联维数的变化表明底层系统相空间行为的变化。
这些非线性特征的计算依赖于临价抑制率
函数,它重建包含所有动态系统变量的相空间。
这个例子使用Simu金宝applink生成故障数据利用简单的时域特征和非线性特征作为诊断不同故障条件的候选特征。该示例计算模拟数据集合中每个成员的所有特征,并使用得到的特征表训练分类器。
对于某些系统,频谱分析可以产生信号特征,这对区分健康和故障状态是有用的。一些函数可以用来计算频域条件指标包括:
这个例子使用振动信号的状态监测和预测利用这种频域分析方法提取条件指标。
有关可用于频域特征提取的功能列表,请参阅识别条件指标.
时频谱特性是表征信号的频谱内容的变化随时间的另一种方式。基于时频谱分析的计算条件指示灯的可用功能包括:
这个例子滚动轴承故障诊断利用故障数据的频谱特征来计算轴承系统中区分两种不同故障状态的状态指示器。
时频矩提供了一种有效的表征方法非平稳的信号,信号频率随时间变化的信号。经典傅立叶分析无法捕获时变频率行为。短时傅里叶变换或其他时间频分析技术产生的时频分布可以捕获时变行为。时频矩寸提供了更紧凑地表征这种时频分布的方法。有三种类型的时间频率矩:
tfsmoment
- 条件的光谱力矩,这是随着时间的推移的频率变化。因此,例如,对于第二个条件光谱力矩,tfsmoment
返回每个时间点上频率的瞬时方差。
TFTMOMENT.
- 条件时间矩,这是时间矩与频率的变化。因此,例如,对于第二条件时间矩,TFTMOMENT.
返回每个频率下信号的方差。
tfmoment
- 联合时频时刻。该标标量捕获了时间和频率的那一刻。
您还可以将瞬时频率计算为时间函数instfreq
.