状態監視と予知のアルゴリズム

予知保全プログラムでは,状態監視と予知のアルゴリズムを使用して,運用中のシステムから測定されたデータを解析します。

"状態監視"では，マシンからのデ，タを使用して現在の状態を評価し，マシンの故障を検出および診断します。マシンのデータは,温度、圧力,電圧、ノイズ,振動などの測定値データで,専用のセンサーを使用して収集されます。。“状態”は，その動作がシステムの劣化とともに予測可能な形で変化する，システムデ，タの任意の特徴です。状態インジケーターはデータから導出された数量であり,類似のシステムステータスをクラスターにまとめ,異なるステータスを分離します。そのため,状態監視アルゴリズムでは,新しいデータを確立された故障状態のマーカーと比較することで故障の検出や診断を実行できます。

"予知"では，マシンの現在および過去の状態に基づいて故障の発生を予想します。予知アルゴリズムでは，通常，マシンの現在の状態を解析することでマシンの"残存耐用期間"(rul)または故障寿命を推定します。予知では,モデル化,機械学習,またはその両方の組み合わせを使用して状態インジケーターの将来値を予測できます。その後,それらの将来値を使用して荷重软化メトリクスが計算され,保全が必要かどうかとその実施時期が判定されます。たとえば,ギアボックスの予知アルゴリズムでは,変動する振動のピーク周波数とピーク振幅を時系列に当てはめて,それらの将来値を予測します。その後,アルゴリズムで予測した値をギアボックスの健全な動作を定義するしきい値と比較して,故障が発生するかどうかとその発生時期を予測できます。

予知保全システムの実装には,予知と状態監視のアルゴリズムに加え,実際の保全タスクを実行するエンドユーザーがアルゴリズムの最終結果にアクセスして対処できるようにする他の它インフラストラクチャも含まれます。预见性维护工具箱™には,そのようなアルゴリズムの設計に役立つツールが用意されています。

アルゴリズム開発のワクフロ

次の図は，予知保全アルゴリズムを開発するワ，クフロ，を示したものです。

最初にシステムの健全状態と故障状態の範囲を示すデータを用意し,検出モデル(状態監視用)または予測モデル(予知用)を開発します。このようなモデルを開発するには,適切な状態インジケーターを特定し,それらを解釈できるようにモデルに学習させる必要があります。用途に最適なモデルが見つかるまで各種の状態インジケーターとさまざまなモデルを試すため,このプロセスはほとんどの場合は反復的に行うことになります。最後に，マシンの監視と保全のアルゴリズムを展開してシステムに統合します。

デ，タの収集

予知保全アルゴリズムの設計では，最初に一連のデ，タを用意します。多くの場合,異なる時間に異なる動作状態で動作する複数のセンサーや複数のマシンのデータなど,大量のデータを管理して処理しなければなりません。次の種類のデタの1以上にアクセスすることがあります。

たとえば，システム動作のセンサ，デ，タには，温度，圧力，振動などがあります。このようなデ，タは，一般に信号または時系列デ，タとして格納されます。また，保全レコ，ドからのデ，タのようなテキストデ，タやその他の形式のデ，タもあります。このデタは，ファル，デタベス，または分散ファルシステム(Hadoop^®など)に格納されます。

多くの場合,マシンからの故障データは利用できないか,定期保守によってそのような状況の発生が比較的まれであるために,限られたわずかな数の故障データセットしか存在しません。この場合，金宝appSimulink^®モデルから，さまざまな故障状態におけるシステム動作を表す故障デ，タを生成できます。

预见性维护工具箱には,ディスクに格納されたそのようなデータを整理し,ラベルを付けたりアクセスしたりできる機能があります。また,予知保全アルゴリズムの開発用に仿金宝app真软件モデルからデータを簡単に生成できるツールも用意されています。詳細にいては，状態監視と予知保全のためのデ，タアンサンブルを参照してください。

デ，タの前処理

多くの場合,状態インジケーターを簡単に抽出できる形式にデータを変換するために,データの前処理が必要になります。デ，タの前処理には、外れ値や欠損値の削除などの簡単な手法に加え、短時間フーリエ変換や次数領域への変換などの高度な信号処理の手法も含まれます。

対象のマシンおよびデタの種類にいて理解することで，使用する前処理の方法を決定しやすくなります。たとえば,ノイズを含む振動データをフィルター処理する場合,有用な特徴を示す可能性の最も高い周波数範囲がわかっていると,前処理の手法の選択に役立ちます。同様に，ギアボックスの振動デ，タを次数領域に変換すると便利なことがあります。後者は，回転速度が経時的に変化する場合の回転機に使用されます。ただし，この同じ前処理は，剛体である車両のシャ，シからの振動デ，タには役立，ません。

予知保全アルゴリズム用のデタの前処理に関する詳細にいては，状態監視と予知保全のためのデ，タの前処理を参照してください。

状態ンジケタの特定

予知保全アルゴリズムの開発における重要な手順に，状態ンジケタの特定があります。状態インジケーターは,その動作がシステムの劣化とともに予測可能な形で変化する,システムデータの特徴です。状態インジケーターには,正常動作と故障動作の区別や残存耐用期間の予測に役立つ任意の特徴を指定できます。有用な状態インジケーターは,類似のシステムステータスをクラスターにまとめ,異なるステータスを分離します。状態ンジケタの例には，以下から求めた数量が含まれます。

たとえば，ギアボックスの状態は振動デ，タを使用して監視できます。ギアボックスが損傷すると，振動の周波数と振幅が変わります。そのため,ピーク周波数とピーク振幅は,ギアボックスで生じている振動の種類に関する情報を提供する有用な状態インジケーターになります。ギアボックスの健全性を監視するために,周波数領域の振動データを継続的に解析して,それらの状態インジケーターを抽出できます。

故障状態の範囲を表す実データまたはシミュレーションデータがあっても,そのデータの解析方法がわからなければ,有用な状態インジケーターを特定できないことがあります。用途に適した状態インジケーターは,システムのタイプ,システムのデータ,システムに関する知識によって異なります。そのため,状態インジケーターの特定には試行錯誤が伴い,多くの場合はアルゴリズム開発ワークフローの学習手順の反復が必要になります。状態ンジケタの抽出には，一般に次のような手法が使用されます。

预见性维护工具箱には、信号处理工具箱™などの他のツールボックスの機能の補完として,測定または生成されたデータから信号ベースやモデルベースの状態インジケーターを抽出する関数が用意されています。詳細にいては，状態ンジケタの特定を参照してください。

検出モデルまたは予測モデルの学習

予知保全アルゴリズムの中心となるのは，検出モデルまたは予測モデルです。このモデルは,抽出された状態インジケーターを解析して,システムの現在の状態を特定するか(故障の検出と診断),将来の状態を予測します(残存耐用期間の予測)。

展開と統合

新しいシステムデータの扱いに対して機能する,データを適切に処理して予測を生成できるアルゴリズムを特定したら,そのアルゴリズムを展開してシステムに統合します。システムの仕様に基づいて，アルゴリズムをクラウドまたは組み込みデバ。

クラウド実装は，クラウド上に大量のデ，タを集めて保存している場合に便利です。クラウドと,予知および健全性監視のアルゴリズムを実行しているローカルマシンの間でデータ転送の必要性をなくすことで,保守のプロセスがより効果的になります。クラウドで計算された結果をツイート,電子メール通知,Webアプリ,ダッシュボードを介して利用できるようにすることも可能です。

あるいは，実際の装置にさらに近い組み込みデバ。これを行う主な利点は,必要な場合のみデータが転送されるため情報の送信量が削減されること,および装置の健全性に関する更新と通知が遅延なしで直ちに使用できることです。

3 2。アルゴリズムの前処理と特徴抽出の部分を組み込みデバイスで実行し,予測モデルをクラウドで実行して,必要に応じて通知を生成することができます。連続的に運用され膨大な量のデータを生成する石油掘削や航空機エンジンなどのシステムでは,セルラーの帯域幅やコストに制限があるため,データすべての実機への保存や転送がいつも可能なわけではありません。ストリーミングデータやバッチデータを操作するアルゴリズムを使用することで,必要な場合にのみデータを保存し送信できるようになります。

ワ，クフロ，のこの手順には，MathWorks^®のコド生成製品や配布製品が役立ことがあります。詳細にいては，予知保全アルゴリズムの展開を参照してください。