Gegevens uit de tijdreeks zijn de ruggengraat van talloze mechanische analyses. Systemen die variëren van straalmotoren tot micro-elektromechanische sensoren genereren stromen van metingen die evolueren in de tijd. Begrijpen hoe deze signalen veranderen en wat die veranderingen onthullen over onderliggende fysieke gedragspatronen is essentieel voor het ontwerpen van betrouwbare machines, het voorspellen van storingen en het optimaliseren van prestaties. MATLAB, met zijn rijke ecosysteem van numerieke en visualisatietools, is uitgegroeid tot de standaardomgeving voor het maken van zin voor deze gegevens. Dit artikel onderzoekt de methoden, workflows en real-world toepassingen van het gebruik van MATLAB om tijdreeksgegevens in mechanische engineering te analyseren, zowel conceptuele diepte als praktische begeleiding.

Inzicht in tijdreeksgegevens in machinebouw

De gegevens van de tijdreeks bestaan uit waarnemingen die achtereenvolgens in de tijd worden geregistreerd. Bij de machinebouw kan de inzamelingssnelheid variëren van een paar monsters per seconde (temperatuurbewaking) tot tienduizenden per seconde (hogefrequentietrillingenmetingen).De gegevens kunnen afkomstig zijn van versnellingsmeters, thermokoppels, stammeters, druktransducers, microfoons of rotatie-encoders. Elk meettype legt unieke eisen op aan de analysebenadering.

De belangrijkste kenmerken van tijdreeksgegevens in de machinebouw zijn:

  • Secundaire afhankelijkheid: De volgorde van de monsters is van belang. Een meting op het moment t is vaak gecorreleerd met voorgaande en volgende waarden.
  • Temporale frequentie-inhoud: Veel signalen bevatten bijdragen van meerdere frequenties, die rechtstreeks verband houden met fysische verschijnselen zoals rotatiesnelheden, natuurlijke resonantie of effecten.
  • Nietstationariteit: In reële systemen veranderen statistische eigenschappen zoals gemiddelde en variatie in de tijd als gevolg van slijtage, belastingsvariatie of milieuverschuivingen.
  • Geluidscontaminatie: Sensorgeluid, elektrische storing en kwantitatieve fouten zijn altijd aanwezig en moeten worden beheerd.

Ingenieurs analyseren gegevens uit de tijdreeks voor verschillende doeleinden: het detecteren van anomalieën die dreigen te falen, het valideren van simulatiemodellen, het monitoren van de gezondheid van het systeem, het identificeren van operationele omstandigheden en het verbeteren van de controlelussen. Zonder een robuuste analytische toolkit, worden waardevolle inzichten gemakkelijk verloren in het volume en de complexiteit van de ruwe gegevens.

Waarom MATLAB Excels voor de analyse van de tijd-series

MATLAB biedt een eenvormig platform dat data import, numerieke berekening, geavanceerde signaalverwerking en publicatiekwaliteit graphics combineert. De populariteit in de machinebouw komt voort uit verschillende concrete voordelen:

  • Comprehensive toolboxen: De Signal Processing Toolbox, System Identification Toolbox, Wavelet Toolbox en Statistics en Machine Learning Toolbox bieden functies die speciaal zijn ontworpen voor tijdreekstaken. Deze elimineren de noodzaak om algoritmen vanaf nul te implementeren.
  • Efficiënte array-bewerkingen: MATLAB is ontworpen voor matrices en vectoren, waardoor operaties zoals convolution, Fourier transformeert en vensteren zowel snel als leesbaar.
  • Interactieve exploratie: Ingenieurs kunnen snel een dataset laden, uitplozen, filteren en het spectrum onderzoeken zonder code te compileren. Deze immediatie versnelt hypothesetest.
  • Renateerbaarheid en automatisering: Scripts en live scripts stellen ingenieurs in staat om elke stap te documenteren en analyses van nieuwe gegevens te herhalen, zodat de consistentie tussen de studies wordt gewaarborgd.
  • Integratie met hardware: MATLAB interfaces direct met gemeenschappelijke hardware voor gegevensverwerving via Data Acquisitie Toolbox, waardoor real-time streaming en analyse mogelijk is.

Bijvoorbeeld, een enkele oproep naar op een trillingssignaal toont de amplitude van elke frequentiecomponent. Het filteren van een lawaaierig temperatuurspoor vereist een één-lijnsaanroeping van of ]. Deze mogelijkheden maken MATLAB niet alleen een hulpmiddel maar een taal om na te denken over data.

Een systematische workflow voor tijdreeksanalyse in MATLAB

Hoewel elk engineeringprobleem uniek is, volgen de meeste tijdreeksen analyses een gestructureerde workflow. De volgende secties splitsen elke fase af, met MATLAB-specifieke begeleiding.

Gegevens importeren

Gegevens komen in vele vormen: eenvoudige CSV- of Excel-bestanden, binaire formaten van DAQ-systemen, HDF5 of eigen sensorformaten. MATLAB verwerkt deze met speciale functies:

  • voor beperkte tekstbestanden en spreadsheets.
  • voor audiobestanden (gewoonlijk in akoestische monitoring).
  • voor alleen numerieke gegevens.
  • en objecten voor gestructureerde tijdreeksgegevens met ingebouwde uitlijn- en herijkingsmogelijkheden.

De klasse is vooral nuttig: het slaat tijd gestempelde gegevens op, behandelt ontbrekende tijdpunten, en ondersteunt operaties zoals retiming en synchroniseren van meerdere signalen. Bijvoorbeeld, een script kan drie kolommen ..tijd, trilling amplitude, en schacht snelheid ..in een enkel tijdschema voor coherente analyse.

Voorbewerking en reiniging

Gegevens uit de ruwe tijdreeks zijn zelden klaar voor analyse. Gemeenschappelijke voorbewerkingsstappen in MATLAB omvatten:

  • Resampling: Als gegevens in een ongelijk tempo werden verzameld, gebruik om gelijkmatige spadepunten te creëren.
  • Detrend: Verwijder lagefrequentiedrift of lineaire trends met .
  • Filtering: Breng laagdoorlaat-, hogedoorlaat-, bandpass- of inkepingsfilters aan om de frequentieband van belang te isoleren. MATLAB
  • Uitwendig verwijderen: Gebruik ] om punten te detecteren die afwijken boven een drempel (bv. gemiddelde absolute afwijking).
  • Het hanteren van ontbrekende gegevens: De functie biedt methoden zoals lineaire interpolatie, spline of eerdere waarde.

Bijvoorbeeld om het elektrische geluid van 60 Hz te verwijderen van een versnellingsmetersignaal dat op 10 kHz is bemonsterd: . De functie heeft een nulfasefilter, waarbij de temporale uitlijning van functies wordt behouden.

Verkennende visualisatie

Voordat geavanceerde algoritmes worden toegepast, moet een ingenieur de gegevens bekijken. MATLAB biedt vele plotting functies voor tijd-serie exploratie:

  • voor ruwe tijdspoor.
  • of voor tijdfrequentieweergaven.
  • voor de verdeling van amplitudes.
  • en voor het detecteren van periodiciteit en modelvolgorde.
  • / curven overgewaaid om trends in lokale statistieken te zien.

Een turbine lagerfout bijvoorbeeld, kan periodieke impulsen in het tijddomein produceren die onzichtbaar zijn in de ruwe golfvorm maar verschijnen als zijbanden in het frequentiedomein. Visualisatie op meerdere niveaus . Tijd, spectrum en tijdfrequentie ..openbaar het patroon.

Geavanceerde analysetechnieken

Zodra de gegevens schoon en begrepen zijn, passen ingenieurs domeinspecifieke transformaties en statistische methoden toe. MATLAB blinkt uit in dit gebied met ingebouwde functies voor:

  • Snelle Fourier Transform (FFT): en produceren het spectrum. Gebruik voor Welch
  • Envelopanalyse: Voor het dragen van diagnostiek, berekent u de Hilbert-transformatie () om de envelop van een met bandpass-gefilterd signaal te extraheren, waarna de envelop de modulatiefrequenties onthult.
  • Cepstrumanalyse: of helpen bij het identificeren van echo's en periodieke harmonische families in versnelling of lagersignalen.
  • Wavelet transformeert: De Wavelet Toolbox (), ) zorgt voor tijdfrequenties decompositie voor niet-stationaire signalen, zoals tijdens het opstarten van de machine of het laden van wijzigingen.
  • Statistische kenmerken: Bereken RMS, kuiffactor, kurtosis en schuinheid in schuifvensters om transiënten te detecteren.
  • Cross-correlation: identificeert vertragingen tussen meerdere sensorkanalen.

Elke techniek onthult verschillende aspecten van het signaal. Door de combinatie van de UMTS voor steady-state analyse met wavelet voor transiënten krijgt u een uitgebreid beeld van de machineconditie.

Modellering en voorspelling

Naast analyse, moeten ingenieurs vaak het onderliggende proces modelleren of toekomstig gedrag voorspellen. MATLAB

  • ARIMA-modellen: Voor stationaire of verschiltijdreeksen schat autoregressieve en bewegende gemiddelde parameters.
  • State-space modellen: Nuttig wanneer fysieke kennis een latente staatsstructuur suggereert.
  • Machineleren: Uitpakken van functies (bv. spectrale centroïden, RMS, entropie) en ze in te voeren in classifiers zoals SVM () of ensemblemethoden () voor foutclassificatie. De Statistics and Machine Learning Toolbox biedt ook diep leren via LSTM's () voor sequence-to-sequence voorspellingen.

Bijvoorbeeld, een model getraind op trillingen functies uit meerdere lager gezondheidstoestanden kan automatisch classificeren een nieuwe meting als ..gezond, ..geworn, ..of ..imminent falen.

Praktisch voorbeeld: Bearing Fault Detection Met behulp van trillingsgegevens

Laat de workflow door beton lopen om een beschadigd lager in een roterende machine te detecteren. De ruwe gegevens zijn een 10-seconde acceleratiesignaal dat wordt bemonsterd op 48 kHz van een accelerometer gemonteerd op de lagerbehuizing.

  • Stap 1: Importeer de gegevens. Met behulp van , laadt u de tijdvector en trillingsamplitudes.
  • Stap 2: Verwijder DC offset en trends. Toepassen om het signaal rond nul te centreren.
  • Stap 3: Bandpassfilter. Voor een binnenracefout met karakteristieke frequenties rond 5 kHz, ontwerp een Butterworth bandpassfilter van 2 kHz tot 10 kHz om laagfrequente machineruis en hoogfrequent elektrisch lawaai te elimineren.
  • Stap 4: Envelopanalyse. Bereken het analytische signaal met , haal dan de omvang als de envelop. Lowpass filter de envelop op 1 kHz om alleen de modulatie te behouden als gevolg van foutdoorgang.
  • Stap 5: Bereken het spectrum van de envelop. Gebruik met een Hanning venster. Kijk naar pieken op de bal-pass frequentie van het binnenste ras (BPFI) of de harmonischen ervan. De aanwezigheid van verschillende pieken bevestigt een lokale fout.
  • Stap 6: De diagnose automatiseren. Schrijf een script dat een nieuwe dataset laadt, stap 2

Deze workflow is reproduceerbaar en kan worden uitgebreid naar meerdere kanalen of verschillende lagertypes. MATLAB

Voorbij trilling: andere toepassingen

Terwijl trillingsanalyse een klassieke use case is, behandelt MATLAB nog veel andere tijdreeks uitdagingen in de machinebouw:

  • Thermische monitoring: Temperatuurtrends van thermokoppels kunnen geanalyseerd worden voor thermische op hol geslagen detectie of voor het valideren van eindige elementenmodellen.Voorspelling met behulp van ARIMA helpt bij het plannen van koelonderhoud.
  • Acoustische emissies: Microfoongegevens van motortests vereisen audio-voorbewerking (opname, filtering) gevolgd door spectrogramanalyse om abnormale verbrandings- of klepgebeurtenissen te detecteren.
  • Structural health monitoring: Strain gauges and displacement sensors on bruggen or wind turbine messen produceren lange termijn tijd series. MATLAB
  • Drukpulsen: In hydraulische systemen, snelle druktransiënten wijzen op cavitatie of klep instabiliteit. Tijdfrequentie methoden zoals spectrograms vangen het niet-stationaire gedrag.

In elk domein gelden dezelfde kernprincipes: schoon, visualiseren, transformeren en interpreteren. MATLAB . Veelzijdigheid betekent dezelfde functies die gebruikt worden voor trillingen dienen voor akoestiek of thermische gegevens met minimale veranderingen.

Beste praktijken voor betrouwbare analyse

Om te garanderen dat de resultaten betrouwbaar en reproduceerbaar zijn, moet u deze praktijken in overweging nemen bij het gebruik van MATLAB voor tijdreeksanalyse:

  • Documentatie van de gegevensbron en de bemonsteringsparameters. Voeg opmerkingen toe in scripts waarin het type sensor, de kalibratiefactor, de bemonsteringssnelheid en de eventuele filtering worden vermeld. A met duidelijke opmerkingen is van onschatbare waarde voor toekomstige evaluatie.
  • Gebruik nulfasefilter. Altijd de voorkeur ] boven wanneer tijdsuitlijning bijvoorbeeld cruciaal is bij het vergelijken van pieken over meerdere sensoren.
  • Vermijd overpassende modellen. Bij het gebruik van systeemidentificatie, valideren tegen een aparte testdataset. Gebruik kruisvalidatie voor machine-leerclassificatoren.
  • Controleer op aliassen. Zorg ervoor dat de bemonsteringsfrequentie minstens tweemaal de hoogste frequentie van interesse is. Zo niet, gebruik een anti-aliasing filter tijdens de verwerving of opnieuw monstername op een lager percentage.
  • Visualiseer de tussenresultaten. Plot de ruwe gegevens, het gefilterde signaal en de spectraaluitvoer, niet alleen de definitieve conclusie. Visuele bevestiging vangt veel fouten.
  • Verantwoording van de functies en ] om gegevens uit de echte wereld te verwerken die vaak lacunes of onregelmatige intervallen hebben.

Na deze praktijken vermindert het risico van verkeerde interpretaties en maakt analyses meer verdedigbaar, vooral in veiligheidskritieke mechanische systemen.

Conclusie

Gegevens uit de tijdreeks liggen centraal in de analyse van de machinebouw. Van het detecteren van een haarlijnscheur in een tandwiel om de resterende levensduur van een pomp lager te voorspellen, het vermogen om betekenis te halen uit opeenvolgende metingen direct impact op de betrouwbaarheid van apparatuur en de operationele efficiëntie. MATLAB biedt een geïntegreerde omgeving voor elke fase van het proces .data in beslag nemen, reinigen, exploratie, geavanceerde transformatie, en modelleren . zonder dat ingenieurs te jongleren meerdere talen of gereedschappen .

De voorbeelden en workflows die hier worden gepresenteerd laten een systematische benadering van tijdreeksanalyse zien die schalen van eenvoudige inspectie tot automatische foutclassificatie. Door te investeren in MATLAB-vaardigheden en strenge preprocessing en validatiegewoonten, kunnen mechanische ingenieurs dieper inzichten uit hun gegevens ontsluiten. Om verder te onderzoeken, verwijzen we naar de Signal Processing Toolbox documentatie voor filterontwerp en spectrale schatting, en de Systeemidentificatietoolbox] voor dynamische modellering. Voor een gecureerde tutorial over trillingsanalyse biedt de MathWorks met foutdetectievideo[] een stap-voor-stap walkthrough.

Uiteindelijk maakt de combinatie van MATLAB