状态监测

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。

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．

如果您的数据包含许多传感器，或者异常难以识别，您将需要探索更高级的技术，如机器学习和深度学习，以发现数据中的模式。

开发状态监控算法

要开发条件监视算法，首先需要识别条件指示器:指示正常操作和故障操作之间差异的特征。这些可能很容易发现，也可能需要提取和组合许多特征。的诊断功能设计应用程序从预见性维护工具箱™允许您以交互方式提取、排序和导出各种功能。

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。

部署和集成

一旦验证，条件监视算法需要在它的环境例如服务器或云。条件监视算法也可以部署到嵌入式系统从而实现更快的响应时间，并显著减少通过网络发送的数据量。

要点

• 状态监控可以帮助您评估设备在运行过程中的健康状态。
• 这些算法可以从简单的阈值化到复杂的机器学习和深度学习算法。
• MATLAB可以帮助您开发和部署状态监视算法。有关其他信息，请参见预测维修工具箱．