Zeitreihendaten sind das Rückgrat unzähliger Maschinenbauanalysen. Systeme, die von Düsentriebwerken bis hin zu mikroelektromechanischen Sensoren reichen, erzeugen Messströme, die sich im Laufe der Zeit entwickeln. Zu verstehen, wie sich diese Signale verändern - und was diese Veränderungen über das zugrunde liegende physikalische Verhalten offenbaren - ist für die Entwicklung zuverlässiger Maschinen, die Vorhersage von Ausfällen und die Optimierung der Leistung unerlässlich. MATLAB mit seinem reichen Ökosystem an numerischen und Visualisierungswerkzeugen ist zur Standardumgebung geworden, um Sinn für diese Daten zu gewinnen. Dieser Artikel untersucht die Methoden, Workflows und realen Anwendungen der Verwendung von MATLAB zur Analyse von Zeitreihendaten im Maschinenbau, die sowohl konzeptionelle Tiefe als auch praktische Anleitung bieten.

Verständnis von Zeitreihendaten im Maschinenbau

Zeitreihendaten bestehen aus zeitlich sequenziell aufgezeichneten Beobachtungen. Im Maschinenbau kann die Sammelrate von wenigen Abtastwerten pro Sekunde (Temperaturüberwachung) bis zu Zehntausenden pro Sekunde (Hochfrequenz-Schwingungsmessungen) reichen. Die Daten können von Beschleunigungsmessern, Thermoelementen, Dehnungsmessstreifen, Druckaufnehmern, Mikrofonen oder Drehgebern stammen. Jede Messart stellt eindeutige Anforderungen an den Analyseansatz.

Zu den wichtigsten Merkmalen von Zeitreihendaten im Maschinenbau gehören:

  • Sequentielle Abhängigkeit: Die Reihenfolge der Proben ist wichtig. Eine Messung zum Zeitpunkt t korreliert oft mit vorhergehenden und nachfolgenden Werten.
  • Vorübergehender Frequenzinhalt: Viele Signale enthalten Beiträge von mehreren Frequenzen, die sich direkt auf physikalische Phänomene wie Rotationsgeschwindigkeiten, natürliche Resonanz oder Aufpralle beziehen.
  • In realen Systemen ändern sich statistische Eigenschaften wie Mittelwert und Varianz im Laufe der Zeit aufgrund von Verschleiß, Lastschwankungen oder Umweltverschiebungen.
  • Lärmverschmutzung: Sensorrauschen, elektrische Störungen und Quantisierungsfehler sind immer vorhanden und müssen verwaltet werden.

Ingenieure analysieren Zeitreihendaten für verschiedene Zwecke: Erkennung von Anomalien, die auf einen bevorstehenden Ausfall hindeuten, Validierung von Simulationsmodellen, Überwachung des Systemzustands, Identifizierung von Betriebsbedingungen und Verbesserung der Regelschleifen. Ohne ein robustes analytisches Toolkit gehen wertvolle Erkenntnisse in Bezug auf Volumen und Komplexität der Rohdaten leicht verloren.

Warum MATLAB Excels für die Zeitreihenanalyse

MATLAB bietet eine einheitliche Plattform, die Datenimport, numerische Berechnung, fortschrittliche Signalverarbeitung und Grafiken in Publikationsqualität kombiniert. Seine Beliebtheit im Maschinenbau resultiert aus mehreren konkreten Vorteilen:

  • Umfassende Toolboxen: Die Signalverarbeitungs-Toolbox, Systemidentifikations-Toolbox, Wavelet-Toolbox und Statistics and Machine Learning Toolbox bieten Funktionen, die speziell für Zeitreihenaufgaben entwickelt wurden.
  • Effiziente Array-Operationen: MATLAB ist für Matrizen und Vektoren konzipiert, wodurch Operationen wie Faltung, Fourier-Transformationen und Fenstern sowohl schnell als auch lesbar sind.
  • Interaktive Erkundung: Ingenieure können schnell einen Datensatz laden, ihn zeichnen, filtern und sein Spektrum untersuchen, ohne Code zu kompilieren.
  • Wiederholbarkeit und Automatisierung: Skripte und Live-Scripts ermöglichen es Ingenieuren, jeden Schritt zu dokumentieren und Analysen zu neuen Daten zu wiederholen, um die Konsistenz zwischen den Studien zu gewährleisten.
  • Integration mit Hardware: MATLAB verbindet sich direkt mit gängiger Datenerfassungs-Hardware über die Data Acquisition Toolbox, was Echtzeit-Streaming und -Analyse ermöglicht.

Zum Beispiel zeigt ein einzelner Aufruf von FLT:0 auf einem Vibrationssignal die Amplitude jeder Frequenzkomponente. Das Filtern einer verrauschten Temperaturspur erfordert einen einzeiligen Aufruf von FLT:1 oder FLT:2. Diese Fähigkeiten machen MATLAB nicht nur zu einem Werkzeug, sondern zu einer Sprache, um über Daten nachzudenken.

Ein systematischer Workflow für die Zeitreihenanalyse in MATLAB

Während jedes Engineering-Problem einzigartig ist, folgen die meisten Zeitreihenanalysen einem strukturierten Workflow. Die folgenden Abschnitte gliedern jede Phase mit MATLAB-spezifischer Anleitung.

Einfuhrdaten

Daten kommen in vielen Formen vor: einfache CSV- oder Excel-Dateien, Binärformate von DAQ-Systemen, HDF5 oder proprietäre Sensorformate. MATLAB übernimmt diese mit dedizierten Funktionen:

  • für abgegrenzte Textdateien und Tabellenkalkulationen.
  • für Audiodateien (üblich in der akustischen Überwachung).
  • für numerische Daten.
  • und Objekte für strukturierte Zeitreihendaten mit eingebauten Ausrichtungs- und Resampling-Fähigkeiten.

Die Klasse FLT: 8 ist besonders nützlich: Sie speichert zeitgestempelte Daten, verarbeitet fehlende Zeitpunkte und unterstützt Operationen wie das Retiming und Synchronisieren mehrerer Signale.

Vorverarbeitung und Reinigung

Rohzeitreihendaten sind selten für die Analyse bereit.

  • Resampling: Wenn Daten mit einer ungleichen Rate gesammelt wurden, verwenden Sie , um gleichmäßig beabstandete Punkte zu erstellen.
  • Detrending: Entfernen Sie niederfrequente Drift oder lineare Trends mit .
  • Filterung: Wenden Sie Tiefpass-, Hochpass-, Bandpass- oder Notchfilter an, um das Frequenzband von Interesse zu isolieren. MATLABs ermöglicht eine schnelle Filterspezifikation mit Fenstern, Butterworth, Chebyshev oder elliptischen Methoden.
  • Ausreißer-Entfernung: Verwenden Sie , um Punkte zu erkennen, die über einen Schwellenwert hinausgehen (z. B. die absolute Medianabweichung).
  • Verarbeitung fehlender Daten: Die -Funktion bietet Methoden wie lineare Interpolation, Spline oder vorherigen Wert.

Zum Beispiel, um 60 Hz elektrisches Rauschen von einem Beschleunigungsmessersignal zu entfernen, das bei 10 kHz abgetastet wird: [FLT: 15] Die Funktion [FLT: 15] wendet eine Nullphasenfilterung an, wobei die zeitliche Ausrichtung der Merkmale erhalten bleibt.

Explorative Visualisierung

Bevor ein Ingenieur ausgeklügelte Algorithmen anwendet, sollte er sich die Daten ansehen.MaTLAB bietet viele Plot-Funktionen für die Erkundung von Zeitreihen:

  • [16] für die Zeit der Rohzeit.
  • oder ] für Zeit-Frequenz-Darstellungen.
  • für die Verteilung der Amplituden.
  • und zum Erkennen von Periodizität und Modellordnung.
  • / Kurven überlagert, um Trends in der lokalen Statistik zu sehen.

Eine Turbinenlagerungsstörung kann beispielsweise periodische Impulse im Zeitbereich erzeugen, die in der Rohwellenform unsichtbar sind, aber als Seitenbänder im Frequenzbereich erscheinen.

Fortgeschrittene Analysetechniken

Sobald die Daten sauber und verständlich sind, wenden Ingenieure domänenspezifische Transformationen und statistische Methoden an. MATLAB zeichnet sich in diesem Bereich durch integrierte Funktionen aus für:

  • Fast Fourier Transform (FFT): und erzeugen das Spektrum.
  • Umschlaganalyse: Für die Lagerdiagnose berechnen Sie die Hilbert-Transformation (), um die Hüllkurve eines bandpassgefilterten Signals zu extrahieren, und dann die Hüllkurve FFT, um Modulationsfrequenzen zu enthüllen.
  • Cepstrum-Analyse: oder helfen Echos und periodische harmonische Familien in Getriebe- oder Lagersignalen zu identifizieren.
  • Wavelet transformiert: Die Wavelet Toolbox (, ) bietet Zeit-Frequenz-Zerlegung für nichtstationäre Signale, wie z.B. beim Maschinenstart oder beim Lastwechsel.
  • Statistische Merkmale: Berechnen Sie RMS, Crest-Faktor, Kurtosis und Schiefe in Schiebefenstern, um Transienten zu erkennen.
  • Kreuzkorrelation: identifiziert Zeitverzögerungen zwischen mehreren Sensorkanälen.

Jede Technik deckt verschiedene Aspekte des Signals auf. Die Kombination von FFT für die stationäre Analyse mit Wavelet für Transienten ergibt eine umfassende Ansicht des Maschinenzustands.

Modellierung und Vorhersage

Neben der Analyse müssen Ingenieure oft den zugrunde liegenden Prozess modellieren oder zukünftiges Verhalten vorhersagen. MATLABs System Identification Toolbox unterstützt:

  • ARIMA-Modelle: Für stationäre oder differenzierte Zeitreihen schätzt autoregressive und gleitende Durchschnittsparameter.
  • Staatsraummodelle: Nützlich, wenn physikalisches Wissen eine latente Zustandsstruktur suggeriert.
  • Maschinenlernen: Extrahieren Sie Merkmale (z. B. Spektralschwerpunkte, RMS, Entropie) und füttern Sie sie in Klassifikatoren wie SVM () oder Ensemble-Methoden () für die Fehlerklassifizierung. Die Statistics and Machine Learning Toolbox bietet auch Deep Learning über LSTMs () für Sequenz-zu-Sequenz-Vorhersagen.

Ein Modell, das beispielsweise auf Vibrationsmerkmale aus mehreren Lagerzustandszuständen trainiert wird, kann eine neue Messung automatisch als "gesund", "abgetragen" oder "unmittelbarer Ausfall" klassifizieren. Dies verschiebt die Analyse von reaktiv zu prädiktiv.

Praktisches Beispiel: Lagerfehlererkennung mit Vibrationsdaten

Gehen wir durch einen konkreten Arbeitsablauf, um ein beschädigtes Lager in einer rotierenden Maschine zu erkennen. Die Rohdaten sind ein 10-Sekunden-Beschleunigungssignal, das mit 48 kHz von einem Beschleunigungsmesser abgetastet wird, der am Lagergehäuse montiert ist.

  • Schritt 1: Importieren Sie die Daten. Mit laden Sie den Zeitvektor und die Schwingungsamplituden.
  • Schritt 2: Entfernen Sie DC-Offset und Trends. Wenden Sie an, um das Signal um Null zu zentrieren.
  • Schritt 3: Bandpassfilter. Für einen inneren Fehler mit charakteristischen Frequenzen um 5 kHz entwerfen Sie einen Butterworth-Bandpassfilter von 2 kHz bis 10 kHz, um niederfrequentes Maschinenrauschen und hochfrequentes elektrisches Rauschen zu eliminieren.
  • Schritt 4: Umhüllenanalyse. Berechnen Sie das analytische Signal mit , dann extrahieren Sie die Größe als Hüllkurve.
  • Schritt 5: Berechnen Sie das Spektrum der Hülle. Verwenden Sie mit einem Hanning-Fenster. Suchen Sie nach Spitzen bei der Ballpassfrequenz der inneren Rasse (BPFI) oder ihren Harmonischen. Das Vorhandensein von unterschiedlichen Spitzen bestätigt einen lokalisierten Fehler.
  • Schritt 6: Diagnose automatisieren. Schreibe ein Skript, das einen neuen Datensatz lädt, die Schritte 2-5 wiederholt und eine Entscheidung basierend auf Schwellenwerten von Kurtosis und Hüllspektrumenergie ausgibt.

Dieser Workflow ist reproduzierbar und kann auf mehrere Kanäle oder unterschiedliche Lagertypen erweitert werden. Die Skriptumgebung von MATLAB macht es einfach, die Parameter anzupassen und die Analyse der Produktionsdaten erneut durchzuführen.

Beyond Vibration: Andere Anwendungen

Während die Vibrationsanalyse ein klassischer Anwendungsfall ist, bewältigt MATLAB viele andere Herausforderungen im Maschinenbau:

  • Thermale Überwachung: Temperaturtrends von Thermoelementen können zur thermischen Durchlauferkennung oder zur Validierung von Finite-Elemente-Modellen analysiert werden. Prognosen mit ARIMA helfen bei der Planung der Kühlwartung.
  • Akustische Emissionen: Mikrofondaten aus Motortests erfordern eine Audiovorverarbeitung (Neuabtastung, Filterung) gefolgt von einer Spektrogrammanalyse, um abnormale Verbrennungs- oder Ventilereignisse zu erkennen.
  • Strukturüberwachung: Dehnungsmessstreifen und Wegsensoren an Brücken oder Windkraftanlagenblättern erzeugen Langzeit-Zeitreihen. MATLABs erkennt abrupte Veränderungen, die auf Risswachstum oder -ansiedlung hinweisen können.
  • Druckpulsationen: In hydraulischen Systemen zeigen schnelle Drucktransienten Kavitation oder Ventilinstabilität an. Zeit-Frequenz-Methoden wie Spektrogramme erfassen das nichtstationäre Verhalten.

In jedem Bereich gelten die gleichen Grundprinzipien: Reinigen, Visualisieren, Transformieren und Interpretieren. MATLABs Vielseitigkeit bedeutet, dass die gleichen Funktionen, die für Vibrationen verwendet werden, für Akustik- oder Wärmedaten mit minimalen Änderungen dienen.

Best Practices für zuverlässige Analysen

Um sicherzustellen, dass die Ergebnisse vertrauenswürdig und reproduzierbar sind, sollten Sie diese Praktiken berücksichtigen, wenn Sie MATLAB für die Zeitreihenanalyse verwenden:

  • Dokumentation der Datenherkunft und Sampling-Parameter. Fügen Sie Kommentare in Skripts ein, die den Sensortyp, den Kalibrierfaktor, die Sampling-Rate und die durchgeführte Filterung angeben.
  • Verwende Nullphasenfilterung. Immer dann bevorzugen gegenüber , wenn die zeitliche Ausrichtung kritisch ist – zum Beispiel beim Vergleich von Peaks über mehrere Sensoren hinweg.
  • Vermeiden Sie Überanpassungsmodelle. Bei Verwendung der Systemidentifikation validieren Sie mit einem separaten Testdatensatz.
  • Überprüfen Sie, ob Sie Aliasing verwenden. Stellen Sie sicher, dass die Abtastfrequenz mindestens doppelt so hoch ist wie die höchste Häufigkeit von Interesse.
  • Visualisualisieren Zwischenergebnisse. Zeichne die Rohdaten, das gefilterte Signal und die spektrale Ausgabe auf - nicht nur die endgültige Schlussfolgerung. Visuelle Bestätigung fängt viele Fehler auf.
  • Nutze die und Funktionen, um reale Daten zu verarbeiten, die oft Lücken oder unregelmäßige Intervalle haben.

Diese Praktiken verringern das Risiko von Fehlinterpretationen und machen Analysen vertretbarer, insbesondere in sicherheitskritischen mechanischen Systemen.

Schlussfolgerung

Zeitreihendaten stehen im Mittelpunkt der Maschinenbauanalyse. Von der Erkennung eines Haarrisses in einem Zahn bis hin zur Vorhersage der verbleibenden Lebensdauer eines Pumpenlagers wirkt sich die Fähigkeit, Bedeutung aus sequentiellen Messungen zu extrahieren, direkt auf die Zuverlässigkeit und Betriebseffizienz der Ausrüstung aus. MATLAB bietet eine integrierte Umgebung für jede Phase des Prozesses - Datenaufnahme, Reinigung, Exploration, fortgeschrittene Transformation und Modellierung -, ohne dass Ingenieure mehrere Sprachen oder Werkzeuge jonglieren müssen.

Die hier vorgestellten Beispiele und Workflows zeigen einen systematischen Ansatz für die Zeitreihenanalyse, der von der einfachen Inspektion bis zur automatisierten Fehlerklassifizierung reicht. Durch die Investition in MATLAB-Fähigkeiten und die Annahme strenger Vorverarbeitungs- und Validierungsgewohnheiten können Maschinenbauer tiefere Einblicke aus ihren Daten gewinnen. Um weiter zu erkunden, beziehen Sie sich auf die Dokumentation der Signal Processing Toolbox für Filterdesign und Spektralschätzung und die System Identification Toolbox für dynamische Modellierung. Für ein kuratiertes Tutorial zur Vibrationsanalyse bietet das MathWorks mit Fehlererkennungsvideo eine Schritt-für-Schritt-Durchsicht.

Letztendlich ermöglicht die Kombination aus MATLABs Rechenleistung und dem Fachwissen des Ingenieurs schnellere und genauere Entscheidungen. Ob Sie ein Student sind, der ein Schlusssteinprojekt startet, oder ein erfahrener Ingenieur, der eine Flotte von Industriemaschinen unterstützt, die Beherrschung der Zeitreihenanalyse in MATLAB ist eine Fähigkeit, die sofortige Dividenden bringt.