Войти
Обнаружение, локализация и устранение неисправностей (FDIR ) - это подполе техники управления, которое относится к h мониторинг системы, определение момента возникновения неисправности, а также определение типа неисправности и ее местоположения. Можно выделить два подхода: прямое распознавание показаний датчика, указывающих на неисправность, и анализ несоответствия между показаниями датчика и ожидаемыми значениями, полученными на основе некоторой модели. В последнем случае обычно говорят, что неисправность обнаружена, если несоответствие или остаток превышает определенный порог. Затем задача локализации неисправности состоит в том, чтобы классифицировать тип неисправности и ее местонахождение в оборудовании. Методы обнаружения и устранения неисправностей (FDI ) можно в целом разделить на две категории. К ним относятся FDI на основе моделей и FDI на основе обработки сигналов.
Пример логики FDI на основе модели для привода в система управления лифтом самолета В методах FDI на основе моделей для принятия решения о возникновении неисправности используется некоторая модель системы. Системная модель может быть математической или основанной на знаниях. Некоторые из основанных на моделях методов ПИИ включают подход на основе наблюдателя, подход с пространственной четностью и методы, основанные на идентификации параметров. Существует еще одна тенденция схем ПИИ на основе моделей, которая называется методами множественного членства. Эти методы гарантируют обнаружение неисправности при определенных условиях. Основное отличие состоит в том, что вместо поиска наиболее вероятной модели эти методы не учитывают модели, несовместимые с данными.
Пример, показанный на рисунке справа, иллюстрирует основанный на модели метод ПИИ для Реактивный контроллер лифта самолета за счет использования таблицы истинности и диаграммы состояний. Таблица истинности определяет, как контроллер реагирует на обнаруженные неисправности, а диаграмма состояний определяет, как контроллер переключается между различными режимами работы (пассивным, активным, резервным, выключенным и изолированным) каждого привода. Например, если в гидравлической системе 1 обнаруживается неисправность, то таблица истинности отправляет в диаграмму состояний событие, что левый внутренний привод должен быть выключен. Одним из преимуществ этого метода FDI на основе модели является то, что этот реактивный контроллер также может быть подключен к модели гидравлики привода в непрерывном режиме, что позволяет изучать переходные процессы переключения.
При FDI на основе обработки сигналов некоторые математические или статистические операции выполняются с измерениями, или некоторая нейронная сеть обучается с использованием измерений для извлечения информации о неисправности.
Хороший пример обработки сигналов на основе FDI - это рефлектометрия во временной области, когда сигнал посылается по кабелю или электрической линии, а отраженный сигнал математически сравнивается с исходным сигналом для выявления неисправностей. Например, рефлектометрия с расширенным спектром во временной области включает отправку сигнала с расширенным спектром по проводной линии для обнаружения повреждений проводов. Также было предложено несколько методов кластеризации для выявления новой неисправности и сегментации данного сигнала на нормальные и неисправные сегменты.
Диагностика неисправности машины - это область машиностроения занимается поиском неисправностей в машинах. Особенно хорошо разработанная его часть относится конкретно к вращающимся машинам, одному из наиболее распространенных типов. Для выявления наиболее вероятных неисправностей, ведущих к отказу, для сбора данных используются многие методы, включая мониторинг вибрации, тепловизионное изображение, анализ частиц масла и т. Д. Затем эти данные обрабатываются с использованием методов такие как спектральный анализ, вейвлет-анализ, вейвлет-преобразование, краткосрочное преобразование Фурье, расширение Габора, распределение Вигнера-Вилля (WVD), кепстр, биспектр, метод корреляции, спектральный анализ высокого разрешения, анализ формы сигнала (во временной области, поскольку спектральный анализ обычно касается только частотного распределения, а не информации о фазе) и другие. Результаты этого анализа используются при анализе основной причины отказа, чтобы определить первоначальную причину отказа. Например, если диагностирована неисправность подшипника, то вполне вероятно, что сам подшипник был поврежден не при установке, а скорее как следствие другой ошибки установки (например, несоосность), которая затем привела к повреждению подшипника. Для прецизионного обслуживания недостаточно диагностировать поврежденное состояние подшипника. Необходимо определить и устранить первопричину. Если этого не сделать, новый подшипник скоро изнашивается по той же причине, и машина будет больше повреждена, оставаясь опасной. Конечно, причина также может быть видна в результате спектрального анализа, проведенного на этапе сбора данных, но это не всегда так.
Наиболее распространенным методом обнаружения неисправностей является метод частотно-временного анализа. Для вращающейся машины скорость вращения машины (часто известная как об / мин ) не является постоянной, особенно во время стадий запуска и остановки машины. Даже если машина работает в установившемся режиме, скорость вращения будет изменяться около среднего установившегося значения, и это изменение зависит от нагрузки и других факторов. Поскольку звуковые и вибрационные сигналы, полученные от вращающейся машины, сильно зависят от ее скорости вращения, можно сказать, что они по своей природе изменяются во времени. Эти изменяющиеся во времени функции содержат сигнатуры неисправностей машины. Следовательно, то, как эти особенности извлекаются и интерпретируются, важно для исследований и промышленных приложений.
Наиболее распространенным методом, используемым при анализе сигналов, является FFT или преобразование Фурье. Преобразование Фурье и его обратный аналог предлагают две перспективы изучения сигнала: через временную область или через частотную область. Основанный на FFT спектр временного сигнала показывает нам существование его частотного содержания. Изучая их, а также их амплитуду или фазовые отношения, мы можем получить различные типы информации, такие как гармоники, боковые полосы, частота неисправностей подшипников и так далее. Однако FFT подходит только для сигналов, частотные составляющие которых не меняются со временем; однако, как упоминалось выше, частотные составляющие звуковых и вибрационных сигналов, полученных от вращающейся машины, очень сильно зависят от времени. По этой причине спектры на основе БПФ не могут определить, как частотное содержимое изменяется во времени. Чтобы быть более конкретным, если RPM машины увеличивается или уменьшается во время периода ее запуска или остановки, ее полоса пропускания в спектре БПФ станет намного шире, чем это было бы просто для устойчивого состояния. Следовательно, в таком случае гармоники не так различимы в спектре.
Частотно-временной подход к диагностике неисправностей машин можно разделить на две большие категории: линейные методы и квадратичные методы. Разница в том, что линейные преобразования можно инвертировать для построения временного сигнала, поэтому они больше подходят для обработки сигналов, такой как уменьшение шума и изменяющаяся во времени фильтрация. Хотя квадратичный метод описывает распределение энергии сигнала в совместной частотно-временной области, что полезно для анализа, классификации и обнаружения характеристик сигнала, информация о фазе теряется в квадратичном частотно-временном представлении; Кроме того, с помощью этого метода невозможно восстановить временные истории.
Кратковременное преобразование Фурье (STFT ) и преобразование Габора - это два алгоритма, обычно используемые в качестве линейных частотно-временных методов. Если мы рассмотрим линейный частотно-временной анализ как эволюцию обычного FFT, то квадратичный частотно-временной анализ будет аналогом спектра мощности. Квадратичные алгоритмы включают спектрограмму Габора, класс Коэна и адаптивную спектрограмму. Основным преимуществом частотно-временного анализа является обнаружение закономерностей изменения частоты, которые обычно отражают природу сигнала. Пока эта модель идентифицирована, можно определить неисправность машины, связанную с этой схемой. Еще одно важное использование частотно-временного анализа - это способность отфильтровывать конкретную частотную составляющую с помощью изменяющегося во времени фильтра.
На практике погрешности модели и шум измерений могут усложнить обнаружение и локализацию неисправностей.
В результате использование диагностики неисправностей для удовлетворения промышленных потребностей требует больших затрат -Эффективный способ, а для снижения затрат на обслуживание, не требуя больших вложений, чем затраты, которых следует избегать в первую очередь, требуется эффективная схема их применения. Это предмет технического обслуживания, ремонта и эксплуатации ; различные стратегии включают в себя:
При обнаружении и диагностике неисправностей модели математической классификации, которые фактически относятся к контролируемому обучению, обучаются на обучающем наборе помеченного набора данных для точного определения избыточностей, ошибок и аномальных выборок. В течение последних десятилетий в этой области исследований были разработаны и предложены различные модели классификации и предварительной обработки. Алгоритм K-ближайших соседей (kNN) это один из старейших методов, который использовался для решения проблем обнаружения и диагностики неисправностей. Несмотря на простую логику, которую имеет этот основанный на экземплярах алгоритм, существуют некоторые проблемы с большой размерностью и временем обработки, когда он используется с большими наборами данных. Поскольку kNN не может автоматически извлекать характеристики для преодоления проклятия размерности, поэтому часто используются некоторые методы предварительной обработки данных, такие как Анализ главных компонентов (PCA), Линейный дискриминантный анализ (LDA) или Канонический корреляционный анализ (CCA) сопровождают его для достижения лучшей производительности. Во многих промышленных случаях эффективность kNN сравнивалась с другими методами, особенно с более сложными классификационными моделями, такими как Support Vector Machines (SVM), которые широко используются в этой области.. Благодаря соответствующему нелинейному отображению с использованием методов ядра, SVM имеют впечатляющую производительность при обобщении даже с небольшими обучающими данными. Однако обычные SVM сами по себе не имеют автоматического извлечения признаков и, как и kNN, часто связаны с методом предварительной обработки данных. Другим недостатком SVM является то, что их производительность очень чувствительна к начальным параметрам, в частности к методам ядра, поэтому в каждом сигнале dataset сначала необходимо провести процесс настройки параметров.. Следовательно, низкая скорость фазы обучения является ограничением SVM, когда дело доходит до его использования в случаях обнаружения и диагностики неисправностей.
Форма волны во временной области (вверху) и CWTS (внизу) нормального сигнала Искусственная нейронная сеть Сети (ИНС) являются одними из наиболее зрелых и широко используемых алгоритмов математической классификации при обнаружении и диагностике неисправностей. ИНС хорошо известны своими эффективными способностями самообучения сложных отношений (которые обычно существуют в задачах обнаружения и диагностики неисправностей) и просты в эксплуатации. Еще одно преимущество ИНС состоит в том, что они выполняют автоматическое извлечение признаков, присваивая незначительные веса нерелевантным функциям, помогая системе избежать работы с другим средством извлечения признаков. Однако ИНС имеют тенденцию чрезмерно соответствовать обучающему набору, что приведет к снижению точности проверки на проверочном наборе. Следовательно, часто к модели ИНС добавляются некоторые термины регуляризации и предварительные знания, чтобы избежать переобучения и добиться более высокой производительности. Более того, правильное определение размера скрытого слоя требует исчерпывающей настройки параметров, чтобы избежать плохих возможностей аппроксимации и обобщения. В целом, различные модели SVM и ANN (например, нейронные сети с обратным распространением и Многослойный персептрон ) показали успешные результаты в обнаружении и диагностике неисправностей в таких отраслях, как редуктора, машин частей (т.е. механических подшипников ), компрессоров, ветряных и газовых турбин и стальные пластины.
Типичная архитектура сверточной нейронной сети Благодаря достижениям исследований в области ИНС и появлению алгоритмов глубокого обучения с использованием глубоких и сложные уровни, новые модели классификации были разработаны, чтобы справиться с обнаружением и диагностикой неисправностей. Большинство моделей поверхностного обучения извлекают несколько значений признаков из сигналов, вызывая уменьшение размерности исходного сигнала . Используя сверточные нейронные сети, непрерывное вейвлет-преобразование скалограмма можно напрямую разделить на нормальные и неисправные классы. Такой метод позволяет избежать пропуска каких-либо важных сообщений о неисправности и приводит к повышению эффективности обнаружения и диагностики неисправностей. Кроме того, преобразовывая сигналы в конструкции изображений, можно реализовать 2D сверточные нейронные сети для идентификации ошибочных сигналов от характеристик вибрационного изображения.
Сети глубоких убеждений, Ограниченные машины Больцмана и Автоэнкодеры - это другие архитектуры глубоких нейронных сетей, которые успешно использовались в этой области исследований. По сравнению с традиционным машинным обучением, благодаря своей глубокой архитектуре, модели глубокого обучения могут изучать более сложные структуры из наборов данных, однако им требуются более крупные образцы и более длительное время обработки для достижения более высокой точности.
