狀態(tài)監(jiān)控是采集和分析設備傳感器數(shù)據(jù)的過程，目的是評估設備在運行期間的健康狀態(tài)。準確識別設備的當前健康狀態(tài)對于開發(fā)預測性維護和基于狀態(tài)的維護計劃至關重要。

狀態(tài)監(jiān)控的好處

狀態(tài)監(jiān)控使設備制造商和運營人員能夠：

減少意外故障：在異常和故障惡化為重大問題之前檢測到它們。

優(yōu)化維護計劃：僅在必要時安排維護，從而避免不必要的維護成本。

最大限度減少停機時間：更快地隔離故障源，以減少診斷和維護所需的時間。

狀態(tài)監(jiān)控不僅僅是采集數(shù)據(jù)，還需要使用這些數(shù)據(jù)來評估機器的健康狀態(tài)。在實際操作中，它的形式多種多樣，從確保單個傳感器值不超過安全閾值的控制圖，到用幾個月的歷史數(shù)據(jù)對數(shù)百個傳感器進行訓練的機器學習算法，等等。

狀態(tài)監(jiān)控算法

狀態(tài)監(jiān)控與預測

一個預測性維護計劃可能同時包含狀態(tài)監(jiān)控算法和故障預測算法。狀態(tài)監(jiān)控和預測之間的主要區(qū)別是時間規(guī)劃。

MATLAB 代碼示例

[1] 檢測軸承故障

[2] 估算飛機引擎的剩余使用壽命

狀態(tài)監(jiān)控的重點是機械的當前狀態(tài)。它使用實時數(shù)據(jù)識別故障和異常，并能夠立即采取糾正措施來防止停機。狀態(tài)監(jiān)控方法包括異常檢測算法和診斷算法，前者檢測機器行為何時偏離正常狀態(tài)，后者識別具體的組件故障。

另一方面，預測通過分析數(shù)據(jù)中的趨勢和模式來預測將來以估計設備的剩余使用壽命。這種預測性活動有助于提前規(guī)劃維護活動，優(yōu)化資源分配并最大限度地減少停機時間。

狀態(tài)監(jiān)控和預測算法的結合使用有助于制定全面的預測和健康管理 (PHM) 策略，從而提高機械的可靠性和壽命。

在 MATLAB 中開發(fā)狀態(tài)監(jiān)控算法

在 MATLAB 中開發(fā)狀態(tài)監(jiān)控算法的典型工作流包括采集和預處理數(shù)據(jù)、識別狀態(tài)指標、訓練模型以及部署和集成算法。

狀態(tài)監(jiān)控算法開發(fā)工作流。

采集數(shù)據(jù)

采集數(shù)據(jù)始終是開發(fā)狀態(tài)監(jiān)控算法的第一步。如果您有來自運營機器的流化或存檔的傳感器數(shù)據(jù)，可通過多種方式來訪問這些數(shù)據(jù)進行分析。您可以通過測試硬件直接獲取數(shù)據(jù)，或通過連接到 OPC UA、RESTful Web 服務、數(shù)據(jù)庫、AWS S3 和 Azure Blob 等工具來檢索數(shù)據(jù)。

采集和組織用于訓練狀態(tài)監(jiān)控算法的合適數(shù)據(jù)可能是一項挑戰(zhàn)，尤其是表示故障和失敗的數(shù)據(jù)。您可以使用 Simscape 內(nèi)置的基于物理的模型生成合成數(shù)據(jù)，從而替換或增強現(xiàn)有運營數(shù)據(jù)。

探查和預處理數(shù)據(jù)

深入理解數(shù)據(jù)是設計有價值的狀態(tài)監(jiān)控算法的關鍵。這可能需要預處理數(shù)據(jù)以去除離群值、噪聲、趨勢和其他干擾因素。預處理可確保狀態(tài)監(jiān)控算法基于最有代表性的可用信息進行訓練。

在此數(shù)據(jù)探查階段，可視化部分數(shù)據(jù)集可能很有用。理解數(shù)據(jù)所表示意義的領域專家可能僅憑肉眼就能輕松檢測到異常和故障。在這種情況下，簡單的狀態(tài)監(jiān)控算法（如 findchangepts 或控制圖）可能就足夠了。

如果數(shù)據(jù)包含許多不容易識別的傳感器和復雜模式，則需要更高級方法來從數(shù)據(jù)集中提取含義。此時，機器學習和深度學習等基于 AI 的方法會彰顯其價值。

有時，傳感器讀數(shù)中的異常情況很容易發(fā)現(xiàn)，如此 MATLAB 繪圖所示。在這種情況下，簡單的狀態(tài)監(jiān)控算法就足夠了。

設計狀態(tài)監(jiān)控算法

設計狀態(tài)監(jiān)控算法的第一步通常涉及識別狀態(tài)指標：指示正常和故障運行狀況之間差異的特征。狀態(tài)指標可能很容易識別，也可能需要經(jīng)過提取和分析來自許多傳感器的衍生量的迭代過程才能找到有意義的模式。此過程稱為特征工程。

Predictive Maintenance Toolbox 包括診斷特征設計器。這是一個 App，可用于提取、分析和排列最相關的特征，以便以交互方式檢測故障。此 App 能夠簡化將原始數(shù)據(jù)轉換為有用的推導特征的任務，使開發(fā)有效的狀態(tài)監(jiān)控算法變得更加容易。

使用診斷特征設計器，您能夠以交互方式提取特征和對其排序來訓練狀態(tài)監(jiān)控算法。

確定合適的狀態(tài)指標后，下一步是使用它們創(chuàng)建狀態(tài)監(jiān)控算法。這涉及訓練機器學習或深度學習算法，這些算法從選定特征中學習以準確檢測故障和異常。分類學習器使您能夠以交互方式嘗試不同故障分類方法，通過比較各種機器學習模型找到最合適的狀態(tài)監(jiān)控算法。

使用分類學習器，您可以訓練各種分類模型以用于狀態(tài)監(jiān)控。

部署和集成狀態(tài)監(jiān)控算法

為了提供商業(yè)價值，狀態(tài)監(jiān)控算法需要部署和集成在運營環(huán)境中，例如在本地服務器或云中。狀態(tài)監(jiān)控算法也可以部署到嵌入式系統(tǒng)，從而加快響應速度，并減少通過網(wǎng)絡發(fā)送的數(shù)據(jù)量。

部署涉及將算法從開發(fā)環(huán)境傳輸?shù)秸鎸嵾\營環(huán)境中，它可以在真實運營環(huán)境開始監(jiān)測設備。此步驟需要仔細規(guī)劃，以確保算法與機械的傳感器和數(shù)據(jù)采集系統(tǒng)無縫對接。另一方面，集成涉及將算法嵌入到運營工作流中，確保它與其他維護和監(jiān)測系統(tǒng)有效通信。這可能包括設置在算法檢測到潛在問題時向維護團隊發(fā)出通知，或與顯示機械實時健康指標的控制板進行集成。

點擊查看此用戶案列：可口可樂公司開發(fā)基于機器學習的虛擬壓力傳感器以改進飲料機診斷

可口可樂公司使用 MATLAB 和 Simulink 為 Freestyle 飲料機中所用的基于機器學習的虛擬壓力傳感器開發(fā)了嵌入式代碼。

部署和集成階段標志著從理論設計到實際應用的轉換，在此階段，算法在預測和預防設備故障方面的有效性會得到真正的檢驗。狀態(tài)監(jiān)控算法可以成為預測性維護的關鍵工具，從而幫助延長設備壽命和提高運營效率。