从系列:预见性维护
Melda Ulusoy, MathWorks
状况指示器通过区分机器的正常状态和故障状态,帮助您更好地理解数据。您可以使用时域、频域和时频域特性从数据中导出条件指标。
本视频以三缸泵为例,介绍了预测性维护流程,并识别了工况指标。该算法的第一步是收集代表健康和故障状态的压力数据。然后,通过清除噪声对原始测量结果进行预处理。预处理有助于将原始数据转换为可以从中提取条件指示器的形式。接下来,研究不同的特征,看看它们是否能独特地区分不同类型的故障。提取条件指标后,利用选定的特征集训练机器学习模型,并利用混淆矩阵评价训练模型的性能。
预测性维修,第2部分:识别状态指示器的特征提取
在本视频中,我们将讨论条件指示器,它们是什么,为什么它们很重要,以及如何选择它们。让我们从一个视觉练习开始。这两种形状有什么区别?看起来没有什么明显的区别,因为两个圆圈看起来几乎一样。然而,如果我们从不同的角度看它们,我们可以清楚地看到它们的区别,并且可以将它们区分为圆柱体和圆锥体。同样,当您查看机器的原始测量数据时,很难区分正常运行和故障运行。但是,通过使用状态指示器,我们能够从不同的角度查看数据,帮助我们区分正常和故障操作。
您可以通过使用时间、频率和时频域特性从数据中派生条件指示器。时域特征包括平均值、标准差、偏度和这里列出的其他特征。频域特征也可以作为状态指标,帮助诊断故障。例如,如果我们从时域来看这台机器的振动数据,我们会看到来自不同旋转部件的所有振动的综合效应。通过对数据的频域分析,可以隔离不同的振动源。峰值以及它们与标称值的变化程度可以指示故障的严重程度。下面是其他一些可以作为条件指示器的频域特性。提取特征的另一种方法是在时频域查看数据,这有助于表征信号的频谱内容随时间的变化。有关其他功能,请查看视频描述中给出的链接。
这是我们在之前的视频中讨论过的预测性维护工作流。现在,我们将使用一个三缸泵的例子,并按照这些步骤来识别条件指标,也称为特征。在我们继续之前,让我们澄清一下为什么我们真的需要这些特性。一旦我们识别出一些有用的特征,我们就用它们来训练机器学习模型。如果选择的特征集是好的,这意味着它们唯一地定义了健康运行和不同的故障类型,当我们从机器向模型提供新的数据时,模型可以正确地估计机器的当前状态。然而,如果特征不明显,训练的模型可能估计不准确。
让我们看看如何提取泵的一些有用特性。此动画显示泵的工作方式。电机转动驱动三个柱塞的曲轴。液体在这里被吸入,在这里被排出,压力由传感器测量。此类泵可能出现的一些故障包括密封泄漏、入口堵塞和轴承磨损。此图显示了在稳定状态下采集1秒的压力数据。它包括正常运行、所有三种故障类型以及它们的组合的测量值。我们首先需要对这些数据进行预处理,并将其转化为可以提取条件指标的形式。原始数据有噪声,峰值达到传感器的最大值。即使测量的持续时间相同,它也会在时间上发生偏移。在清除噪声和偏移后,预处理的数据就是这样的。现在,这些数据包括所有这些条件,但我们可以在单独的图上显示它们,以调查不同的故障类型及其组合。我们首先注意到的是时域压力信号的周期性行为。我们可以放大以更好地看到每个周期中发生了什么。在每个图上,标称值以黑色显示,彩色线表示故障操作。现在的问题是:我们能否从每个图的其余数据中区分黑线,即正常运行的黑线,以及我们能否识别每组彩色线之间的独特差异?正如您在这里看到的,这两个故障的压力数据看起来非常相似。让我们使用一些时域特性来识别条件指示器。最初,您不知道哪些功能最能揭示故障类型之间的差异。因此,在本部分中,您将遵循试错法,直到找到一些可以使用的有用功能。我们将尝试的第一组功能将显示在屏幕上。了解这些条件指示器是否能够区分不同类型的故障的一种方法是使用箱线图进行调查。
首先,我们将只看一个单一特征,即健康状态和阻塞入口故障的平均值。在情节上,两个盒子没有重叠。这意味着这些数据组之间存在差异。利用该均值可以很容易地区分堵塞的进口故障和健康的进口状态。然而,当我们继续为其他故障类型添加数据集时,情况也会发生变化。我们无法区分故障类型,因为其中一些是重叠的。如果我们也用其他特性来尝试,我们最终会得到相同的结论:单个条件指示器不足以对错误行为进行分类,特别是当您有多个错误时。下面我们来看两个特征的散点图,均值和方差。我们立即看到,通过两个条件指示器,我们可以更好地分离不同的故障。正如我们在这里所做的,您可以尝试不同的特征对,以查看哪些特征更擅长对错误进行分类。
如前所述,频域分析在分析周期数据和从带有旋转部件的机器中获得的数据时非常重要。因此,现在我们将进一步研究我们的数据在频域,看看我们是否可以提取一些额外的特征。这些图之间的区别是峰值和峰值频率因此这些可以作为条件指示器。让我们回到我们用于时域分析的图表。由于数据集的相似性,很难区分这两个错误。但现在从不同的角度来看数据,我们看到在这个频率范围的峰值将帮助我们成功地分离这两个故障。在选择了这些频域特征之后,我做了一个类似于我们对时域特征所做的分析。我观察到,所选的特征是独特的,是训练机器学习模型的好候选人。请注意,当我们研究这些特征时,我们不仅在寻找不同的聚类,而且我们还希望它们彼此之间的距离更远,因为这样训练的模型可以更好地识别新的数据点将属于哪个聚类。
在提取条件指标后,可以利用提取的特征训练机器学习模型,并使用混淆矩阵来检验训练模型的准确性。在对角线的条目上,图显示了错误组合被正确预测的次数。而非对角线的值则显示了不正确的预测。
既然我们已经讨论了特征提取,您可能想知道有多少特征足以训练机器学习模型。不幸的是,我不能给你一个神奇的数字。你可能只有一些独特的特征,而你真正理解得很好。但机器学习的美妙之处在于,它可以使用大量的特征对数据进行分类。因此,您的模型可以从高维特性集中受益。
在本视频中,我们讨论了状态指示器如何帮助我们区分健康状态和故障以及不同类型的故障。我们还展示了一个使用基于信号的方法提取条件指示器的示例。在下个视频中,我们将讨论剩余寿命估计。不要忘记查看下面的描述,获取更多关于如何使用MATLAB和Simulink开发预测性维护算法的资源和链接。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。