モデルベースの特徴

時間領域の信号の数学的モデルは、信号を生成したメカニズムの基本的なダイナミクスを表しています。自己回帰モデルは、パワー スペクトルに鋭いピークを生じる回転機のような用途に特に有用です。これらのモデルから抽出された特徴は、健全状態または故障状態から生じる動作の違いを反映できます。[1]

[診断特徴デザイナー] は、インポートされた信号から自己回帰モデルを生成し、以下の分野の特徴を抽出します。

• 自己回帰モデルの特徴 — これらの特徴は、アプリが推定する自己回帰 (AR) モデル パラメーターの未加工の差を特徴付けます。"モデル次数" と "ピーク モード数" を指定します。次に、推定されたモデル係数と、指定したピーク モード数の固有振動数と減衰係数から特徴を作成できます。

• モデルの当てはめの特徴 — これらの特徴は、モデルの当てはめの適合度を特徴付けます。異常がある場合、機械的な変化によって、低次のモデルでは正確に捕捉できない新たなダイナミクスが生じる可能性があります。モデルの当てはめが不十分ということは、動作不良の可能性があることを示します。特徴には、平均二乗誤差、平均絶対誤差、モデルの質を測る指標である赤池情報量基準 (AIC) が含まれます。

• モデル残差の特徴 — これらの特徴は、予測誤差、つまり予測されたモデル出力と測定された出力の差に関連する統計値を提供します。残差は、モデルによって説明されない信号の部分を表しています。特徴には、残差平均、残差分散、残差 RMS、残差尖度が含まれます。

自己相関モデリングの詳細については、levinson を参照してください。

参照

[1] Wang, Wenyi, and Albert K. Wong. “Autoregressive Model-Based Gear Fault Diagnosis.” Journal of Vibration and Acoustics, vol. 124, no. 2, Apr. 2002, pp. 172–79. DOI.org (Crossref), https://doi.org/10.1115/1.1456905.

参考

levinson