健康监测

分析传感器数据以评估运行期间的设备健康状态

健康监测是采集和分析设备传感器数据的过程,目的是评估设备在运行期间的健康状况。准确识别设备的当前健康状态对于开发预测性维护计划至关重要。

健康监测使设备制造商和运营人员能够做到以下几点:

  • 及早识别异常或故障以免其恶化为重大问题,从而减少计划外故障
  • 仅在必要时安排设备维护,从而避免不必要的维护成本
  • 通过更快地查明故障源来减少停机时间

健康监测不仅仅是采集数据,还会使用这些数据来评估机器的健康状况。其评估目标多种多样,从确保单个传感器值不超过安全阈值的控制图,到用几个月的历史数据对数百个传感器进行训练的机器学习算法,例如由 Mondi Gronau 开发的算法。

健康监测与预测

预测性维护计划可以使用健康监测算法和预测算法。健康监测和预测之间的主要区别在于时间规划。

  时间规划 示例
健康监测 当前状态 检测轴承故障
预测 将来状态 估算飞机引擎的剩余使用寿命

在 MATLAB 中开发健康监测算法

描述健康监测算法开发过程的流程图。

健康监测算法开发工作流。

采集数据

要在 MATLAB® 中开发健康监测算法,您需要从您的资产数据开始。使用 MATLAB 中的硬件支持包,直接从传感器和测试硬件采集数据。或者,从 OPC UARESTful Web service数据库AWS S3Azure Blob 等服务访问流数据和存档数据。

如果没有足够的数据,您也可以通过构建资产的物理模型来生成合成数据

探查和预处理数据

首先预处理和可视化您的数据。您能否通过目测轻松发现异常情况?如果能,您也许可以使用简单算法,例如 findchangeptscontrolchart

从冷却风扇采集的数据的 MATLAB 绘图,显示能够轻松发现的异常情况。

有时,传感器读数中的异常情况很容易发现,如此 MATLAB 绘图所示。在这种情况下,简单的算法就足够了。

如果您的数据包含许多传感器,或异常情况很难识别,则您需要探查更高级的方法,如机器学习和深度学习,以发现数据中的模式。

开发健康监测算法

要开发健康监测算法,您首先需要识别健康指标,即指示正常和故障运行状况之间差异的特征。这些可能很容易发现,也可能需要提取和组合许多特征。使用 Predictive Maintenance Toolbox™ 中的诊断特征设计器,您能够以交互方式提取、排列和导出各种特征。

诊断特征设计器显示按重要性排序的泵流速特征。

使用诊断特征设计器,您能够以交互方式提取特征来训练健康监测算法。

然后,您可以将这些特征用作机器学习或深度学习算法的输入,来训练健康监测算法。例如,您可以使用分类学习器以交互方式测试各种故障分类算法。

分类学习器显示来自经过训练的机器学习算法的结果的混淆矩阵。

使用分类学习器,您可以训练各种分类模型,用于对健康监测中的故障进行分类。

部署和集成

经过验证后,健康监测算法需要在 IT 环境(例如服务器或云)中实现运营化。健康监测算法也可以部署到嵌入式系统,从而加快响应速度,并显著减少通过网络发送的数据量。

关键点

  • 健康监测可以帮助您评估设备在运行期间的健康状况。
  • 这些算法可以涵盖简单的阈值化以及复杂的机器学习和深度学习算法等多种算法。
  • MATLAB 可以帮助您开发和部署健康监测算法。有关详细信息,请参阅 Predictive Maintenance Toolbox

另请参阅: 预测性维护, 异常检测, 人工智能, 预测, 工业 4.0, 数据科学, 无监督学习, 预测建模, 指导性分析, Predictive Maintenance Toolbox, Signal Processing Toolbox, Image Processing Toolbox, Statistics and Machine Learning Toolbox, Deep Learning Toolbox, MATLAB, Database Toolbox