状态监控的好处

状态监控使设备制造商和运营人员能够：

• 减少意外故障：在异常和故障恶化为重大问题之前检测到它们。
• 优化维护计划：仅在必要时安排维护，从而避免不必要的维护成本。
• 最大限度减少停机时间：更快地隔离故障源，以减少诊断和维护所需的时间。

状态监控不仅仅是采集数据，还需要使用这些数据来评估机器的健康状态。在实际操作中，它的形式多种多样，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，等等。

状态监控算法

状态监控与预测

一个预测性维护计划可能同时包含状态监控算法和故障预测算法。状态监控和预测之间的主要区别是时间规划。

状态监控的重点是机械的当前状态。它使用实时数据识别故障和异常，并能够立即采取纠正措施来防止停机。状态监控方法包括异常检测算法和诊断算法，前者检测机器行为何时偏离正常状态，后者识别具体的组件故障。

另一方面，预测通过分析数据中的趋势和模式来预测将来以估计设备的剩余使用寿命。这种预测性活动有助于提前规划维护活动，优化资源分配并最大限度地减少停机时间。

状态监控和预测算法的结合使用有助于制定全面的预测和健康管理 (PHM) 策略，从而提高机械的可靠性和寿命。

在 MATLAB 中开发状态监控算法

在 MATLAB^® 中开发状态监控算法的典型工作流包括采集和预处理数据、识别状态指标、训练模型以及部署和集成算法。

采集数据

采集数据始终是开发状态监控算法的第一步。如果您有来自运营机器的流化或存档的传感器数据，可通过多种方式来访问这些数据进行分析。您可以通过测试硬件直接获取数据，或通过连接到 OPC UA、RESTful Web 服务、数据库、AWS S3 和 Azure Blob 等工具来检索数据。

采集和组织用于训练状态监控算法的合适数据可能是一项挑战，尤其是表示故障和失败的数据。您可以使用 Simscape™ 内置的基于物理的模型生成合成数据，从而替换或增强现有运营数据。

探查和预处理数据

深入理解数据是设计有价值的状态监控算法的关键。这可能需要预处理数据以去除离群值、噪声、趋势和其他干扰因素。预处理可确保状态监控算法基于最有代表性的可用信息进行训练。

在此数据探查阶段，可视化部分数据集可能很有用。理解数据所表示意义的领域专家可能仅凭肉眼就能轻松检测到异常和故障。在这种情况下，简单的状态监控算法（如 findchangepts 或控制图）可能就足够了。

如果数据包含许多不容易识别的传感器和复杂模式，则需要更高级方法来从数据集中提取含义。此时，机器学习和深度学习等基于 AI 的方法会彰显其价值。

设计状态监控算法

设计状态监控算法的第一步通常涉及识别状态指标：指示正常和故障运行状况之间差异的特征。状态指标可能很容易识别，也可能需要经过提取和分析来自许多传感器的衍生量的迭代过程才能找到有意义的模式。此过程称为特征工程。

Predictive Maintenance Toolbox™ 包括诊断特征设计器。这是一个 App，可用于提取、分析和排列最相关的特征，以便以交互方式检测故障。此 App 能够简化将原始数据转换为有用的推导特征的任务，使开发有效的状态监控算法变得更加容易。

确定合适的状态指标后，下一步是使用它们创建状态监控算法。这涉及训练机器学习或深度学习算法，这些算法从选定特征中学习以准确检测故障和异常。分类学习器使您能够以交互方式尝试不同故障分类方法，通过比较各种机器学习模型找到最合适的状态监控算法。

部署和集成状态监控算法

为了提供商业价值，状态监控算法需要部署和集成在运营环境中，例如在本地服务器或云中。状态监控算法也可以部署到嵌入式系统，从而加快响应速度，并减少通过网络发送的数据量。

部署涉及将算法从开发环境传输到真实运营环境中，它可以在真实运营环境开始监测设备。此步骤需要仔细规划，以确保算法与机械的传感器和数据采集系统无缝对接。另一方面，集成涉及将算法嵌入到运营工作流中，确保它与其他维护和监测系统有效通信。这可能包括设置在算法检测到潜在问题时向维护团队发出通知，或与显示机械实时健康指标的控制板进行集成。

部署和集成阶段标志着从理论设计到实际应用的转换，在此阶段，算法在预测和预防设备故障方面的有效性会得到真正的检验。状态监控算法可以成为预测性维护的关键工具，从而帮助延长设备寿命和提高运营效率。

有关状态监控的工具和示例，请探索 Predictive Maintenance Toolbox。