基于条件的维护vs.预测性维护
了解基于条件的维护(CBM),这是一种基于设备当前运行状况的维护策略。当前的健康状况通过一种算法计算,该算法使用从设备收集的传感器数据。根据基于条件的维护,只有在检测到故障行为后才会计划维护行动。
了解预测性维护与基于条件的维护的区别。这两种维护策略都利用传感器数据和算法来做出明智的维护决策,并共享类似的好处。关键的区别是,预测性维护处理预测,并根据设备的预测未来健康状态决定维护操作。
在本视频中,我们将讨论基于条件的维护,以及它与预测性维护的区别。我们还将分享一些资源,让您开始使用MATLAB开发基于条件的维护算法。
基于条件的维护(CBM)是一种基于设备当前健康状态的维护策略。一种算法利用从设备收集的传感器数据计算当前的健康状况。除非当前运行状况状态表明存在故障行为,否则我们将继续操作设备。但如果发生了,我们就安排维修。
我们用来检测错误行为或故障的算法可以从简单的阈值到更复杂的机器学习和深度学习算法。让我们看一个简单的阈值化示例。对于带有旋转部件的机器,我们将持续收集振动数据并监测它,以确定它是否处于或超过某些表明故障行为的安全阈值。根据基于条件的维护,我们只在检测到故障行为后才会采取维护措施。
通常,检测故障并不像本例中所示的那样容易。由于机器的复杂性,数据本身处理起来也很复杂。例如,如果健康和故障状态的传感器数据如下所示,如何区分这些健康状态?如果你有来自多个传感器的数据呢?MATLAB提供了提取特征的工具,这些特征可以用来训练机器学习模型进行故障检测。例如,使用诊断特征设计器应用程序,您可以交互式地可视化传感器数据,并根据条件标签对数据进行分组,使用时域方法或频域技术提取特征,最后对提取的特征进行排序,以确定哪些特征最能区分正常和故障行为。然后,您可以将选定的特征导出到Classification Learner应用程序,以训练机器学习模型对不同类型的故障进行分类。
与反应性或预防性维护相比,基于状态的维护有许多优点。CBM有助于降低计划外故障和不必要维护造成的成本,还有助于通过确定故障来源减少停机时间。
如果您还听说过预测性维护或PdM,您可能想知道它与CBM有什么不同,因为这两种维护策略提供相同的好处,并利用算法和传感器数据来做出明智的维护决策。关键的区别是,在预测维护中,维护决策是根据设备的预测未来健康状态做出的。与我们分析当前健康状态的基于条件的维护不同,预测维护处理的是预测,让我们估计设备故障发生的时间,以便我们可以提前安排维护,甚至在出现任何故障行为的迹象之前。这种预测性维护的优势是有代价的。开发预测性维护算法需要大量的历史数据来创建可以估计未来故障的预测模型。例如,使用MATLAB,您可以根据历史数据训练剩余可用寿命算法,以预测机器故障发生的时间。随着我们收集更多的传感器数据,用更大的数据集训练预测模型,该算法对未来的故障提供了更准确的估计。
总之,基于条件的维护是一种基于设备当前运行状况状态的维护策略,而预测性维护则是基于预测的未来运行状况状态。这两种维护策略都有助于减少因计划外故障和不必要维护造成的停机时间和成本。要了解MATLAB如何帮助您开发基于条件的维护和预测性维护的算法,不要忘记查看这个视频。此外,有关CBM和PdM的更多资源,请访问描述中提供的链接。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。