本篇文章主要介绍MATLAB预测性维护中如何找到目标潜在状态指标,即分类诊断工具箱,至于预测性维护前期的数据处理以及后期的算法,这部分暂且不提。
分类诊断工具箱是一个评估潜在状态指标的应用,在数据集上运行。可以说,分类诊断器是一个集成学习的工具,每个数据集是一个单独的样本存在于输入数据中。
构建数据集
输入的数据是含有异常单体电芯(37号电芯自放电率大)的异常模组(含有40个电芯的模组)在一定时间内的电压变化的数据。
数据是一个表,包含十一个单体电芯在同一个充放条件下的电压变化,这十一个单体电芯构成一个整体,其中有一个单体代表异常单体,剩下十个表现为健康单体。
这个表包含11行,每一行表示一个单体特征,每一个单体由一个时间表和条件变量组成。每个时间表都有相同的长度,条件变量的含义为指示单体为健康或者异常。在这里异常单体设置为1,正常单体设置为0。
加载数据
在分类诊断器中新建会话导入数据。默认情况下是导入所有的数据。分类诊断器会将集成数据中提取变量名称嵌入时间表,表示健康或者异常的变量需要将变量类型改为条件变量。下方的Summary仲可以查看到变量的名称、类型和自变量。确认无误,导入数据。
入数据后,选中信号变量,Signal Trace可以进行数据可视化
处理数据
预测性维护算法不可缺少的是条件指标(健康或者异常),这是将相似的系统状态聚集到一起,不同的状态区分来的关键。
特征分析有两种方法:
1.直接使用信号进行分析,生成特征;
2.使用一些数据处理方法(例如:过滤或者平均)后,再进行特征计算。
分类诊断工具箱提供了两种常用的数据处理的方式:时间同步平均和功率谱计算。
时间同步平均在Filtering&Averaging选项卡的Time-Synchronous Averaging,不适用于计算电压数据。
功率谱计算在Spcetral Estimation中的Autoregressive Model添加之后会导出一个新的谱数据变量
对原始信号生产时域特征:选择时域特征分析,选择统计特征(其中取消形状因子)和脉冲特征,取消掉所有的谐波特征。
对于选定的要素,诊断工具箱会计算每个特征的值,并以直方图显示结果。图中蓝色显示正常,橙色显示异常,异常和健康的特征重合则显示为棕色。
图中一共给出了九个特征:1.间隙特征;2.波顶因数;3.脉冲因子;4.峰度;5.均值;6.峰值;7.均方根;8.偏斜度;9.标准差
其中均值,均方根,偏斜度,标准差能够有一个很好的区分度。
峰度:衡量数据分布的平坦度,即数据取值分布形态陡缓程度的统计量。
偏态:衡量对称性,0是最完美的对称性,正态分布的偏态就是0。如果偏度为正,则说明平均值大于中位数,如果偏度为负,则说明平均值小于中位数。
然后对功率谱数据进行分析。最大最小的频段分别设置为0.01和1,得到的分析结果如图。
三种频带功率都对健康或者异常的数据有所区分。
功能排名及导出
使用Rank Features对上面的指标进行排序,得到时域和频域计算得到的指标进行排序,选择排序,得到下图。
然后将特征导入到工作区。
分类诊断器还有一个自动筛选特征的功能,选择自动计算指标;
TSPROC(时间序列 PROCessor)是一个时间序列处理的工具,主要是分析时间序列与水平特征的偏移量。
对时序数据进行重采样处理,对数据的原始采样率进行一定比率的更改。
写在最后
其实MATLAB预测性维护工具箱很好用,写在最后的两种数据处理方式可以很好的将异常数据区分出来,可惜的是不清楚这两种数据处理方式是什么,目前就这一部分内容也无法向官方技术支持寻求帮助。