Использование Matlab для анализа данных временных рядов в машиностроении

Данные временных рядов являются основой бесчисленных машиностроительных анализов. Системы, начиная от реактивных двигателей до микроэлектромеханических датчиков, генерируют потоки измерений, которые развиваются с течением времени. Понимание того, как эти сигналы изменяются - и что эти изменения показывают о базовом физическом поведении - имеет важное значение для проектирования надежных машин, прогнозирования сбоев и оптимизации производительности. MATLAB, с его богатой экосистемой численных и визуальных инструментов, стал стандартной средой для понимания этих данных. В этой статье рассматриваются методы, рабочие процессы и реальные приложения использования MATLAB для анализа данных временных рядов в машиностроении, обеспечивая как концептуальную глубину, так и практическое руководство.

Понимание данных временных рядов в машиностроении

Данные временных рядов состоят из наблюдений, последовательно записываемых с течением времени. В машиностроении скорость сбора может варьироваться от нескольких образцов в секунду (мониторинг температуры) до десятков тысяч в секунду (измерения вибрации высокой частоты). Данные могут поступать из акселерометров, термопар, тензодатчиков, датчиков давления, микрофонов или вращательных кодеров. Каждый тип измерения предъявляет уникальные требования к аналитическому подходу.

Ключевые характеристики данных временных рядов в машиностроении включают:

• Порядок выборки имеет значение. Измерение в момент времени t часто коррелирует с предшествующими и последующими значениями.
• Содержание временных частот: Многие сигналы содержат вклады от нескольких частот, которые непосредственно относятся к физическим явлениям, таким как скорости вращения, естественный резонанс или воздействия.
• Нестационарность: В реальных системах статистические свойства, такие как среднее значение и дисперсия, изменяются с течением времени из-за износа, изменения нагрузки или изменений окружающей среды.
• Загрязнение шумом: Шум датчика, электрические помехи и ошибки квантования всегда присутствуют и должны управляться.

Инженеры анализируют данные временных рядов для нескольких целей: обнаружение аномалий, которые сигнализируют о надвигающемся сбое, проверка имитационных моделей, мониторинг состояния системы, выявление эксплуатационных условий и улучшение циклов управления. Без надежного аналитического инструментария ценные сведения легко теряются в объеме и сложности исходных данных.

Почему MATLAB Excels для анализа временных рядов

MATLAB предлагает унифицированную платформу, которая сочетает в себе импорт данных, численные вычисления, передовую обработку сигналов и графику качества публикации. Его популярность в машиностроении обусловлена несколькими конкретными преимуществами:

• Всеобъемлющие наборы инструментов: Инструментарий обработки сигналов, Инструментарий идентификации системы, Инструментарий Wavelet и Инструментарий статистики и машинного обучения предоставляют функции, специально созданные для задач временных рядов.
• Эффективные операции с массивами: MATLAB предназначен для матриц и векторов, что делает такие операции, как свертка, преобразования Фурье и оконные соединения быстрыми и читаемыми.
• Интерактивное исследование: Инженеры могут быстро загрузить набор данных, настроить его, отфильтровать и изучить его спектр без компиляции кода. Эта немедленная скорость ускоряет проверку гипотез.
• Повторяемость и автоматизация: Скрипты и живые сценарии позволяют инженерам документировать каждый шаг и воспроизводить анализ новых данных, обеспечивая согласованность в исследованиях.
• Интеграция с аппаратным обеспечением: MATLAB напрямую взаимодействует с общим оборудованием для сбора данных через Data Acquisition Toolbox, обеспечивая потоковую передачу и анализ в режиме реального времени.

Например, один вызов к на вибрационном сигнале показывает амплитуду каждого частотного компонента. Фильтрация шумного температурного следа требует однолинейного вызова или . Эти возможности делают MATLAB не просто инструментом, а языком для размышлений о данных.

Систематический рабочий процесс для анализа временных рядов в MATLAB

Хотя каждая инженерная проблема уникальна, большинство анализов временных рядов следуют структурированному рабочему процессу. Следующие разделы разбивают каждый этап с помощью руководства MATLAB.

Импорт данных

Данные поступают во многих формах: простые файлы CSV или Excel, двоичные форматы из систем DAQ, HDF5 или собственные форматы датчиков. MATLAB обрабатывает их с выделенными функциями:

• для разграниченных текстовых файлов и электронных таблиц.
• для аудиофайлов (обычный в акустическом мониторинге).
• только для числовых данных.
• и объекты для структурированных данных временных рядов со встроенными возможностями выравнивания и повторного отбора образцов.

Класс особенно полезен: он хранит данные с временными метками, обрабатывает недостающие временные точки и поддерживает такие операции, как ретимирование и синхронизация нескольких сигналов. Например, скрипт может загружать три столбца — время, амплитуду вибрации и скорость вала — в единый график для когерентного анализа.

Предварительная обработка и очистка

Сырые данные временных рядов редко готовы для анализа. Общие этапы предварительной обработки в MATLAB включают:

• Пересмотр: Если данные собирались с неравномерной скоростью, используйте для создания равномерно расположенных точек.
• Устранение: Устранение низкочастотного дрейфа или линейных тенденций с .
• Фильтрация: Применять фильтры нижних, верхних, полосовых или выемочных частот для выделения интересующей полосы частот. MATLAB позволяет быстро определять характеристики фильтра с помощью оконных, Баттервортских, Чебышевских или эллиптических методов.
• Удаление поверхностей: Используйте для обнаружения точек, которые отклоняются за порог (например, среднее абсолютное отклонение).
• Обработка недостающих данных: Функция предлагает такие методы, как линейная интерполяция, сплин или предыдущее значение.

Например, для удаления 60 Гц электрического шума из сигнала акселерометра, отобранного при 10 кГц: Функция применяет нулевую фазовую фильтрацию, сохраняя временное выравнивание признаков.

Исследовательский визуализация

Перед применением сложных алгоритмов инженер должен взглянуть на данные. MATLAB предоставляет множество функций построения графиков для исследования временных рядов:

• [16] для необработанного времени.
• или для представления времени-частоты.
• [[ФлТ:19]] для распределения амплитуд.
• и для определения периодичности и порядка модели.
• /] кривые наложены, чтобы увидеть тенденции в местной статистике.

Например, неисправность подшипника турбины может производить периодические импульсы в области времени, которые невидимы в сырой форме волны, но появляются в качестве боковых полос в частотной области. Визуализация на нескольких уровнях - времени, спектра и частоты времени - раскрывает шаблон.

Передовые методы анализа

После того, как данные будут очищены и поняты, инженеры применяют доменные преобразования и статистические методы. MATLAB преуспевает в этой области со встроенными функциями для:

• Быстрый Фурье-трансформатор (FFT): и производят спектр. Используйте для усредненной периодограммы Уэлча, которая уменьшает дисперсию шума.
• Конвертный анализ: Для диагностики подшипников вычислите преобразование Гильберта (]) для извлечения оболочки сигнала, фильтруемого полосовым проходом, затем FFT конверт для выявления частот модуляции.
• Анализ цепструм: или помогает идентифицировать эхо-сигналы и периодические гармонические семейства в передачах или несущих сигналах.
• Вейвлет преобразует: Вейвлет-инструментарий (, ]) обеспечивает разложение по времени и частоте для нестационарных сигналов, таких как во время запуска машины или изменения нагрузки.
• Статистические особенности: Вычислить RMS, гребной фактор, куртоз и перекос в раздвижных окнах для обнаружения переходных процессов.
• Кросс-корреляция: идентифицирует временные задержки между несколькими каналами датчиков.

Каждая техника раскрывает различные аспекты сигнала. Сочетание FFT для анализа в устойчивом состоянии с вейвлетом для переходных процессов дает комплексное представление о состоянии машины.

Моделирование и прогнозирование

Помимо анализа, инженерам часто необходимо моделировать базовый процесс или прогнозировать будущее поведение.

• ARIMA модели: Для стационарных или разнородных временных рядов оценивает параметры авторегрессивной и скользящей средней.
• Модели государственного пространства: Полезно, когда физическое знание предполагает скрытую структуру состояния.
• Машинное обучение: Экстрактные особенности (например, спектральные центроиды, RMS, энтропия) и подача их в классификаторы, такие как SVM (]) или методы ансамбля () для классификации ошибок. Статистика и инструментарий машинного обучения также предлагает глубокое обучение через LSTM () для предсказаний последовательности в последовательности.

Например, модель, обученная характеристикам вибрации из нескольких состояний здоровья подшипника, может автоматически классифицировать новое измерение как «здоровое», «изношенное» или «неизбежное повреждение».

Практический пример: обнаружение ошибок с использованием данных вибрации

Давайте пройдемся по бетонному рабочему процессу, чтобы обнаружить поврежденный подшипник в вращающейся машине. Необработанные данные - это 10-секундный сигнал ускорения, отобранный на частоте 48 кГц с акселерометра, установленного на корпусе подшипника.

• Шаг 1: Импорт данных. Используя , загрузите вектор времени и амплитуды вибрации.
• Шаг 2: Удалите смещение постоянного тока и тенденции. Примените , чтобы центрировать сигнал вокруг нуля.
• Шаг 3: Фильтр полосового пропуска. Для внутреннего разлома с характерными частотами около 5 кГц, спроектируйте фильтр полосового пропуска Баттерворта от 2 кГц до 10 кГц, чтобы устранить низкочастотный шум машин и высокочастотный электрический шум.
• Шаг 4: Анализ контура. Вычислить аналитический сигнал с помощью , затем извлечь величину в качестве оболочки. Lowpass фильтровать конверт на 1 кГц, чтобы сохранить только модуляцию из-за пропускания неисправности.
• Шаг 5: Вычислите спектр оболочки. Используйте с окном Ханнинга. Ищите пики на частоте прохождения мяча внутренней расы (BPFI) или её гармониках. Наличие отчётливых пиков подтверждает локализованный сбой.
• Шаг 6: Автоматическая диагностика. Напишите сценарий, который загружает новый набор данных, повторяет шаги 2-5 и выводит решение на основе пороговых значений энергии спектра куртоза и оболочки.

Этот рабочий процесс воспроизводим и может быть расширен на несколько каналов или различных типов подшипников. среда сценариев MATLAB позволяет легко адаптировать параметры и повторно запустить анализ производственных данных.

За пределами вибрации: другие приложения

В то время как вибрационный анализ является классическим вариантом использования, MATLAB решает многие другие задачи в области машиностроения:

• Тепловой мониторинг:Температурные тенденции термопар могут быть проанализированы для обнаружения теплового бегства или для проверки моделей конечных элементов.Прогнозирование с использованием ARIMA помогает планировать техническое обслуживание охлаждения.
• Акустические выбросы: Данные микрофона, полученные в ходе испытаний двигателя, требуют предварительной обработки аудиоданных (отбор проб, фильтрация), после чего следует спектрограммный анализ для выявления аномальных событий сгорания или клапанов.
• Структурный мониторинг здоровья: Измерители напряжения и датчики смещения на мостах или лопастях ветряных турбин производят долгосрочные временные ряды. MATLAB обнаруживает резкие изменения, которые могут указывать на рост трещины или расселение.
• Пульсации давления: В гидравлических системах быстрые переходные давления указывают на кавитацию или нестабильность клапанов. Методы с временной частотой, такие как спектрограммы, фиксируют нестационарное поведение.

В каждой области применяются одни и те же основные принципы: чистые, визуализируемые, трансформируемые и интерпретируемые.Универсальность MATLAB означает, что те же функции, используемые для вибрации, служат для акустики или тепловых данных с минимальными изменениями.

Лучшие практики для надежного анализа

Чтобы гарантировать достоверность и воспроизводимость результатов, учитывайте эти методы при использовании MATLAB для анализа временных рядов:

• Документируйте происхождение данных и параметры выборки. Включите комментарии в скрипты, в которых указан тип датчика, коэффициент калибровки, частота выборки и любая выполняемая фильтрация. с четкими комментариями неоценима для будущего обзора.
• Используйте фильтрацию нулевой фазы. Всегда предпочитайте , когда временное выравнивание имеет решающее значение — например, при сравнении пиков через несколько датчиков.
• Избегайте переобучения моделей. При использовании системной идентификации валидируйте против отдельного набора тестовых данных. Используйте перекрестную валидацию для классификаторов машинного обучения.
• Проверить на псевдоним. Убедитесь, что частота отбора проб по крайней мере в два раза превышает наибольшую интересующую частоту. Если нет, то при приеме или повторном отборе нанесите антисглаживающий фильтр на более низкую частоту.
• Ознакомьтесь с промежуточными результатами. Зафиксируйте исходные данные, фильтрованный сигнал и спектральный выход — не только окончательный вывод. Визуальное подтверждение улавливает множество ошибок.
• Используйте функции и для обработки реальных данных, которые часто имеют промежутки или нерегулярные интервалы.