分析传感器数据以评估设备运行期间的健康状况
状态监测是收集和分析来自设备的传感器数据,以评估其运行期间的健康状态的过程。准确识别设备当前的健康状态对发展至关重要预见性维护项目。
状态监测使设备制造商和操作人员能够做到以下几点:
- 通过在异常或故障成为主要问题之前识别异常或故障,减少计划外故障
- 只在必要时才安排设备服务,以避免不必要的维护成本
- 通过更快速地确定故障来源,减少停机时间
状态监视不仅要收集数据,还要使用这些数据来评估机器的状态。这个值可以是a中的任何值控制图这确保了单个传感器的值不会超过机器学习算法的安全阈值,该算法在数百个传感器上训练,拥有数月的历史数据,比如由Mondi Gronau.
状态监测vs.预后
预测性维护程序可以同时使用状态监测和预测算法。主要区别于状态监测和预测是时间。
时间表 | 例子 | |
---|---|---|
状态监测 | 当前状态 | 检测轴承故障 |
预测 | 未来状态 | 估计飞机发动机的剩余使用寿命 |
在MATLAB中开发状态监测算法
获取数据
在MATLAB中开发状态监测算法®,你需要从你的资产的数据开始。直接从传感器获取数据测试硬件使用硬件支持包在MATLAB。或者,从服务中访问流媒体和存档数据OPC UA,RESTful web服务,数据库,AWS S3,Azure Blob.
如果你没有足够的数据,你也可以生成合成数据通过建立你的资产的物理模型。
浏览和预处理数据
首先预处理可视化你的数据。你能用肉眼轻易地发现异常吗?如果是这样,您可以使用一个简单的算法,如findchangepts
或者一个controlchart
.
然后,您可以使用这些特征作为机器学习或深度学习算法的输入,以训练您的状态监视算法。方法可以交互式地测试各种故障分类算法分类学习者应用程序。
例子和如何
软件参考
参见:预见性维护,异常检测,人工智能,预测,4.0行业,数据科学,无监督学习,预测建模,规范的分析,预测维修工具箱,信号处理工具箱,图像处理工具箱,统计和机器学习工具箱,深度学习工具箱,MATLAB,数据库工具箱