Curs 3 - Diagnoza prin prelucrarea statistică a semnalelor

M1 (metoda in domeniul timp)

Cuprins
1. Introducere
2. Detectia schimbarii prin analiza momentelor statistice (M1)
3. Detectia schimbarii folosind criteriul plauzibilitatii maxime (Bayes)
Concluzii

1. Introducere

Se considera ca terminologia de detectia a defectelor (fault detection) este cea mai generala
descriere a problemei de detectie in contextul proceselor fizice si –des – industriale. Totusi,
folosirea acestui termen (fault detection) s-ar putea sa fie gresita, ca posibil generatoare de
interpretari gresite in anumite cazuri.

Termenul de detectia schimbarii este mai potrivit, ramand ca termenul de detectia defectelor
(fault detection) sa se refere strict la cazurile de defect sau functionare anormala a procesului
investigat.

Detectia schimbarii bazata pe inregistrarea si prelucrarea unui singur semnal, in cazul cel mai
simplu, se face prin verificarea gamei « dinamice » a semnalului (valoarea varf-varf) sau, in
cazuri mai complexe, pe extragerea unor trasaturi si aplicarea metodelor de detectie a
schimbarii.

Exista procese la care sunt disponibile (prin masuratori) semnale armonice afectate intr-o
masura mai mare sau mai mica de zgomote, deci au o comportare aleatoare. Daca schimbarile
in aceste semnale corespund unor defecte in elemente de actionare, proces sau senzori, se pot
aplica metode bazate pe modelarea semnalelor (signal-model-based change-detection
method). Un exemplu reprezentativ il constituie aplicatia de monitorizare a vibratiilor ce
permite, prin masurarea pozitiei, vitezei sau a acceleratiei, detectarea neechilibrarii sau a
defectelor in rulmenti. Adesea sunt disponibile si semnale de la alti senzori (de ex. curent,
pozitie, forta, presiune) ce contin componente de inalta frecventa din afara spectrului
corespunzator dinamicii procesului.

Modelul metodei de detectie prin analiza modelului semnalului este prezentat in figura 1,
dupa [2]. Prin asumarea/formularea unui model matematic pentru semnalul masurat, se pot
calcula trasaturi specifice cum sunt : amplitudini, faze, spectre de frecventa si functii de
corelatie, pentru un anumite banzi de frecventa ale semnalului, 𝜔𝜔𝜔𝜔𝜔𝜔𝜔𝜔𝑚𝑚𝑚𝑚𝑚𝑚 . Prin comparatia cu
trasaturilor observate in functionare normala se obtin schimbari in trasaturi ce sunt
considerate sindromuri analitice. Modelele semnalelor pot fi parametrice (amplitudinile
pentru anumite frecvente sau modele de tip ARMA) sau neparametrice (spectrele de frecveta
si functiile de corelatie)
 Diagnoza prin prelucrarea statistica semnalelor

M3 M1 M3 M2 M4

Figura 1 : Prezentare generala a metodelor de detectie bazate pe analiza-semnalelor

Figura 2 : Detectia schimbarii folosind modelarea semnalelor (M2)

Atat problema detectiei cat si a diagnozei se poate face pe baza prelucarii statistice a
semnalelor. Metode bazate pe analiza semnalelor (signal-model based) exista pentru semnale
armonice (oscilatii), semnale stochastice sau nestationare), asa cum se prezinta in figura 2.

Detectia schimbarii prin metode de prelucrare a semnalor masurabile poate fi rezolvata prin
mai multe metode, din care unele sunt directe (adica se prelucreaza direct semnalul, iar
valorile prelucrate au semnificatie fizica) sau indirecte (se prelucreaza valori transformate, in
spatii diferite de cele originale, unde date prelucrate pot avea sau nu semnificatie fizica).

In cadrul metodelor directe se calculeaza direct valorile observate prin calculul unor marimi
statistice (cel mai des) sau al unor criterii bazate pe gradient. Aceste metode se aplica des in
aplicatii de monitorizare a vibratiilor si semnalelor audio. Metodele sunt simplu de inteles si
relativ simplu de implementat, uneori cu rezultate foarte bune, insa mai putin bune in cazul
semnalelor nestationare sau al evenimentelor (defectelor) variabile in timp sau intermintente.

2
 Diagnoza prin prelucrarea statistica semnalelor

Metodele indirecte, bazate pe transformari, sunt mai complexe insa calculele pentru luarea
deciziilor in noile spatii ale observatiilor sunt mai simple. In comparatie cu metodele directe,
metodele indirecte ofera rezultate substantial mai bune. Se pot exemplifica aici urmatoarele
tipuri de transformari: transformarile timp-frecventa, transformarile entropice (bazate pe
evolutia entropiei).

Structura de calcul

Date de intrare
N valori reale ce reprezinta esantioanele semnalului y[iTs], i=0,1 …, N-1.
FS = frecventa de esantioanare
TS = perioada de esantionare = 1 / FS;

Figura 3: Structura de calcul pentru semnalizarea unui defect

In general, valorile de prag se aleg din experienta de exploatare a masinii si reprezinta valori
de detectie a defectelor majore (defectele incipiente fiind sesizate la nivelul II).

2. Metode de detecție bazate pe prelucrarea momentelor statistice ale semnalelor (M1)

2.1. Introducere

Atat problema detectiei cat si a diagnozei se poate face pe baza prelucarii statistice a
semnalelor. Se prezinta cateva metode simple, cu titlu de exemplu.

3
 Diagnoza prin prelucrarea statistica semnalelor

a). Metoda verificarii limitelor valorilor absolute (limit cheking of absolute values)
presupune existenta a doua valori limita, numite praguri, o valoare maxima, Ymax, si o
valoare minima .

In stare normala, semnalul masurat (sau prelucrat) este intre valorile minima si maxima.
Pragurile sunt selectate pe baza experientei si, de obicei, sunt un compromis intre
minimizarea alarmelor false (ce impune folosirea unor praguri mari) si detectia rapida (din
timp) a schimbarilor (ce impune folosirea unor praguri mici).

Metoda se aplica in multe sisteme de automatizare sau monitorizare. De exemplu, pentru

presiunea uleiului (limita inferioara) sau a apei de racire (valoarea superioara) dintr-un proces
termic.

b). Metoda verificarii limitelor valorilor relative (verificarea tendintei) (Trend checking).
Pentru valori mici ale pragurilor, in special, schimbarea se poate detecta mai rapid pe baza
gradientului (a tendintei), dy(t)/dt, si compararea cu valorile limita ale acestuia min(dy(t)/dt)
si max(dy(t)/dt).

Metoda se aplica pentru montorizarea presiunii uleiului si a vibratiiilor rulmentilor cu ulei ale
turbinelor. De asemenea, se pot intalni combinatii ale acestor metode cu valori absolute si
relative.

d). Pentru problemele in care media este o constanta sau are o variatie mica in raport cu
dispersia, o metoda mai buna de detectie este metoda ipotezelor statistice. In cazul cel mai
simplu, se definesc doua ipoteze, H0 (functionare normala) si H1 (functionare cu defect). Prin
prelucrari statistice, on-line (in timp real) sau off-line (prelucrari pe multimea esantioanelor
inregistrate). Prima varianta este mai simpla de implementat, dar nu permite stabilirea
momentului schimbarii (tF – time fault). A doua varianta ar presupune evaluarea criteriului
deciziei dupa fiecare esantion prelevat. In cadrul metodelor statistice, se pot considera si
momente statistice de ordin superior. Pentru fiecare moment se poate calcula un prag al
detectiei. Se prezinta in sectiunea urmatoarea un criteriu general, criteriul plauzibilitatii
maxime (Bayes).

2.2. Relatii de calcul

Tabel 1 – Parametri statistici de baza

Nr. Denumire Alias Obs
1. Medie, m Mean, miu
2. Gama_dinamica, gama_din Range, rng max(y)-min(y)
3. Mediana, med Median, med
4. Dispersia, sigma2 Variance, va
5. Deviatia standard, devstd Standard deviation, *
sigma
6. Media modulelor, ma Rectified Average, RA *
7. Valoarea efectiva, val_eff Root Mean Square, RMS
8. Valoarea de varf, max_peak Maximum peak, Pk max(abs(y))
9. Factorul de creasta, kcf Crest factor, Cf Pk/RMS
10. Coeficientul de asimetrie, kM3C Skewness, Skw
11. Coeficientul de aplatizare, kM4C Kurtosis, K

4
 Diagnoza prin prelucrarea statistica semnalelor

* Variabilele in engleza sunt functii folosite in Matlab/Toolbox

1. Valoarea medie statistica:

𝑁𝑁−1
1
𝜇𝜇 = 𝑀𝑀𝑀𝑀1 = 𝑚𝑚 = � 𝑦𝑦(𝑖𝑖)
𝑁𝑁
𝑖𝑖=0
(1)
2. Gama dinamica:

𝑔𝑔𝑔𝑔𝑔𝑔𝑎𝑎𝑑𝑑𝑑𝑑𝑑𝑑 = 𝑟𝑟𝑟𝑟𝑟𝑟 = 𝑚𝑚𝑚𝑚𝑚𝑚{𝑦𝑦} − 𝑚𝑚𝑚𝑚𝑚𝑚{𝑦𝑦}

(2)

3. Mediana:

𝑚𝑚𝑚𝑚𝑚𝑚 = 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑎𝑎𝑎𝑎 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 (3)

4. Dispersia:
𝑁𝑁−1
2
1
𝜎𝜎 = 𝑀𝑀𝑀𝑀2𝐶𝐶 = �(𝑦𝑦𝑖𝑖 − 𝑀𝑀𝑀𝑀1)2
𝑁𝑁 − 1
𝑖𝑖=0
(4)
5. Abaterea (Deviatia)_strandard:

𝜎𝜎 = 𝑑𝑑𝑑𝑑𝑣𝑣𝑠𝑠𝑠𝑠𝑠𝑠 = �𝜎𝜎 2
(5)

6. Media valorilor redresate (modulelor):

𝑁𝑁−1
1
𝑚𝑚𝑚𝑚 = �|𝑦𝑦(𝑖𝑖)|
𝑁𝑁
𝑖𝑖=0
(6)

7. Valoarea efectiva (RMS=Root Mean Square):

𝑁𝑁−1
1
𝑣𝑣𝑣𝑣𝑙𝑙𝑒𝑒𝑒𝑒𝑒𝑒 = 𝑅𝑅𝑅𝑅𝑅𝑅 = √𝑀𝑀𝑀𝑀2 = � � 𝑦𝑦 2 (𝑖𝑖)
𝑁𝑁
𝑖𝑖=0

(7)
8. Valoarea de varf:

𝑃𝑃𝑃𝑃 = 𝑚𝑚𝑚𝑚𝑚𝑚{𝑎𝑎𝑎𝑎𝑎𝑎(𝑦𝑦)}
(8)

9. Factorul de creasta:
𝑃𝑃𝑃𝑃
𝑘𝑘𝑘𝑘𝑘𝑘 =
𝑅𝑅𝑅𝑅𝑅𝑅
(9)

5
 Diagnoza prin prelucrarea statistica semnalelor

10. Coeficientul de asimetrie (skewness) se bazeaza pe media statistica centrata de ordinul 3:

𝐸𝐸{(𝑦𝑦 − 𝜇𝜇𝑥𝑥 )3 } 𝐸𝐸{𝑦𝑦 3 } − 3 ⋅ 𝜇𝜇 ⋅ 𝐸𝐸{𝑦𝑦 2 } + 2 ⋅ 𝜇𝜇 3

𝑘𝑘𝑘𝑘𝑘𝑘3𝐶𝐶 = 𝛾𝛾 = 𝑆𝑆𝑆𝑆𝑆𝑆 = =
𝜎𝜎𝑦𝑦3 𝜎𝜎𝑦𝑦3
(10)
Se poate folosi estimatorul
𝑁𝑁
1
� = �(𝑦𝑦(𝑖𝑖) − 𝜇𝜇)3�𝜎𝜎𝑦𝑦3
𝑆𝑆𝑆𝑆𝑆𝑆
𝑁𝑁
𝑖𝑖=1

Coeficientul de asimetrie este o măsură de asimetrie a unei distributii de probabilități, așa că

se mai numește coeficient oblicitate/inclinare, asa cum se prezinta in figura de mai jos. Daca
Skw este zero atunci avem distributie simetrica.

Figura 5: Funcții de densitate de probabilitate, inclinate fata de tipul Gaussian

11. Coeficientul de aplatizare (kurtosis) 1 0F

𝐸𝐸{(𝑦𝑦 − 𝜇𝜇𝑥𝑥 )4 }
𝑘𝑘𝑘𝑘4𝐶𝐶 = 𝐾𝐾 = 𝛾𝛾2 =
𝜎𝜎𝑦𝑦4
(11)
𝑁𝑁
1
� = � �(𝑦𝑦(𝑖𝑖) − 𝜇𝜇)4�𝜎𝜎𝑦𝑦4 � − 3
𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾
𝑁𝑁
𝑖𝑖=1

Al patrulea moment despre medie, E[(X − μx )4], măsoară gradul de aplatizare a funcție de
densitate a probabilității în apropierea mediei sale. Pentru distrubutie Gaussiana coeficientul
kM4C este 3 iar coeficientul kurtosis va deveni zero.

Figura 6: Funcțiile densității probabilității cu valori diferite ale kurtozei

1
Uneori, se adauga (-3) a fost introdus pentru a face γ 2 = 0 pentru distributia gaussiana.
Intrucat γ 1 = 0 si γ 2 = 0 pentru procese Gaussiene

6
 Diagnoza prin prelucrarea statistica semnalelor

Comentarii:

1). Deoarece ultimii doi coeficienti sunt zero pentru un proces gaussian, al treilea și al
patrulea moment pot fi utilizate pentru detectarea non-Gaussianitatii. Aceste momente mai
înalte pot fi, de asemenea, utilizate pentru a detecta (sau caracteriza) neliniaritatea, deoarece
sistemele neliniare prezintă Răspunsuri.

2). Coeficientul Kurtozis (al patrulea moment) este utilizat pe scară largă ca măsură în
monitorizarea stării mașinilor – de exemplu, deteriorarea timpurie a elementelor de rulare ale
mașinilor duce adesea la vibrații, semnale a căror valoare a kurtozei este semnificativ
crescută datorită impactului defectelor din astfel de sisteme rotative.

Ca un alt exemplu, luați în considerare o mașină mare (în stare bună) care are multe
componente generatoare de diferite tipuri de vibrații (periodice și aleatorii). În acest caz,
semnalul de vibrație măsurat pe suprafața mașinii poate avea o distribuție a probabilității
similară cu o distribuție gaussiană (prin teorema limitei centrale). Mai târziu, în timpul de
funcționare al aparatului, una dintre componente poate produce un semnal tranzitoriu
repetitiv (posibil din cauza unui defect). Acest impact produce excursii largi și un
comportament oscilant și modificări mai distribuția probabilității de la Gaussian la una care
este leptokurtică. De asemenea, detectarea non-Gaussianity poate fi realizată prin
monitorizarea coeficientul kurtozis. Rețineți că, dacă există deteriorări grave, adică multe
componente sunt defecte, atunci semnalul măsurat poate deveni din nou Gaussian.
■

Fiecare din parametrii anteriori constituie o variabila de tip trasatura a procesului si care
poate fi monitorizata independent sau impreuna cu celelalte. Detectia schibarii se realizeaza
prin depasirea unui prag de variabila testata.

Tabel 2 – Preprocesarea semnalelor de baza

Nr. Denumire Alias Obs
1. Normarea/scalarea la intervalul [-sigma, sigma] Puterea (sigma2=1)
2. Filtrare trece jos Low-pass filtering , yfj
3. Filtrare trece sus High-pass filtering, yfs
4. Filtrare trece banda Band-pass filtering, yfb

Scalarea semnalului:
(𝐲𝐲 − 𝑚𝑚)
𝐲𝐲𝐲𝐲 =
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
In varianta scalara avem:
(𝑦𝑦(𝑖𝑖) − 𝑚𝑚)
𝑦𝑦𝑦𝑦(𝑖𝑖) = , 𝑖𝑖 = 0,1,2, … , 𝑁𝑁 − 1
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
(1)

7
 Diagnoza prin prelucrarea statistica semnalelor

3. Detectia schimbarii folosind metoda plauzibilitatii maxime (Bayes)

Metoda pragurilor binare.(Bayes) Variabilele monitorizare sunt considerate, de obicei,

variabile aleatoare Y(t) cu anumite densitati de probabilitate pY(y). De exemplu, se pot calcula
media si dispersia.

Daca media si dispersia inainte de schimbare (defect) sunt 𝜇𝜇0 si 𝜎𝜎02 si dupa aparitia schimbarii
avem valorile 𝜇𝜇1 si 𝜎𝜎12 atunci problema detectiei poate fi ilustrata ca in figura 4, pentru fdp
Gaussiene. Se pot considera cateva cazuri simple :
1. Se schimba media; dispersia este constanta : 𝜇𝜇1 = 𝜇𝜇0 + 𝛥𝛥𝛥𝛥 si 𝜎𝜎12 = 𝜎𝜎02 ;
2. Se schimba dispersia; media ramane constanta: 𝜇𝜇1 = 𝜇𝜇0 si 𝜎𝜎12 = 𝜎𝜎02 + 𝛥𝛥𝛥𝛥 ;
3. Se schimba ambele momente, atat media cat si dipersia.

Ca si la metoda anterioara, alegerea pragului de comparatie a schimbarilor se face printr-un

compromis intre detectia schimbarilor mici si alarmele false (Pf).

Figura 4 : Detectia schimbarii prin detectia modificarii densitatii de probabilitate

a variabilei observate

3.1. Criteriul plauzibilității maxime

Se fac ipotezele:
H0: fara defect; proces normal

H1: defect; proces anormal

Eşantioanele semnalului recepţionat definesc vectorul aleator y = [y1 y2 …yN].

Pentru o decizie corectă trebuie ca probabilitatea de decizie (a posteriori) să fie maximă.

Pentru stabilirea unei reguli de decizie se consideră probabilităţile ipotezelor H0 şi H1,
condiţionate de vectorul observaţiilor y:
• P(H0/y), probabilitatea ca ipoteza H0 să fie adevărată;
• P(H1/y) probabilitatea ca ipoteza H1 să fie adevărată.

După valorile celor două probabilităţi condiţionate se va considera că este adevărată ipoteza
ce are probabilitatea (a posteriori) cea mai mare. Astfel, se va considera că:

8
 Diagnoza prin prelucrarea statistica semnalelor

ipoteza H0 adevărată dacă P(H0/y) > P(H1/y)

şi
ipoteza H1 adevărată dacă P(H1/y) > P(H0/y).

sau, într-o formă mai restransă, se poate scrie:

H1
P( H 1 / y ) ≥ 1 (1)
P( H 0 / y ) ≤
H0

ceea ce înseamnă că se va alege ipoteza H1 dacă raportul este mai mare decât 1, şi ipoteza H0
când raportul este mai mic decât 1.
Probabilitatea condiţionată P( H i / y ) este numită probabilitate a posteriori, deci este
o probabilitate calculată după ce s-au efectuat observaţiile asupra semnalului recepţionat.
Criteriul de decizie (1) este numit criteriul probabilităţii a posteriori maxime (in limba
engleza, Maximum A posteriori Probability- MAP). Utilizând regula lui Bayes, P( H i / y )
poate fi scrisă sub forma

f (y | H i) ⋅ P( H i)
P( H i | y ) = (2)
f (y )

şi regula de decizie (1) devine

H1
P ( H 1) ⋅ f (y | H 1) ≥ 1 (3)
P ( H 0) ⋅ f (y | H 0) ≤
H0
sau
H1
f (y | H 1) ≥ P( H 0) (4)
f (y | H 0) ≤ P( H 1)
H0

In problemele de detectie, se folosesc relatii de forma (4). In partea stanga se calculeaza o

cantitate numita raport de plauzibilitate, pe baza informatiilor dispobibile a posteriori, deci
dupa receptionarea semnalului. In partea dreapta, se calculeaza pragul testului, pe baza
informatiilor a priori disponibile

H1
f (y | H 1) ≥ P( H 0) = γ
Λ (y ) = (5)
f (y | H 0) ≤ P( H 1)
H0

Pentru fiecare din cele doua ipoteze, H0 si, respectiv, H1, se evidentiaza expresiile densitatilor
de probabilitate ale variabilelor conditionate 𝑓𝑓(𝑦𝑦/𝐻𝐻0 ) si 𝑓𝑓(𝑦𝑦/𝐻𝐻1 ). De cele mai multe ori,
aceste distributii sunt Gaussiene.

Raportul densităţilor de probabilitate

9
 Diagnoza prin prelucrarea statistica semnalelor

f (y | H 1)
Λ(y ) = (6)
f (y | H 0)

se numeşte raport de plauzibilitate si este o variabila aleatoare intrucat este o functie de

variabila aleatoare y.
Raportul probabilităţilor a priori

P( H 0)
γ = (7)
P( H 1)
se numeşte pragul testului.
Aşadar, criteriul probabilităţii maxime a posteriori constă în compararea raportului de
plauzibilitate cu pragul testului. De remarcat că pragul testului este cunoscut din raportul
probabilităţilor de furnizare a celor două simboluri, numite şi probabilităţi a priori. Raportul
de plauzibiliate depinde de probabilitatile a posteriori.
Când observaţiile sunt afectate de zgomot, este posibil să se ia şi decizii incorecte. Cazurile
P(D0|H0) şi P(D1|H1) corespund situaţiilor corecte. Cazurile caracterizate de probabilităţile
condiţionate P(D0|H1) şi P(D1|H0), reprezintă probabilităţile deciziilor incorecte.

Avantajul relatiei (6) este ca densitatile de probabilitate 𝑓𝑓(𝒚𝒚/𝐻𝐻𝑖𝑖 ), 𝑖𝑖 = 0,1 pot fi calculate (ca
forma a functiei, de ex. Gaussiana, exponentiala, etc) din statistica zgomotului inainte de
efectuarea oricarei observatii ceea ce este esential pentru definirea criteriului deciziei.
Acestea sunt marimi a priori in procesul de transmisie si decizie.

Concluzii

Obiectivul acestui curs a fost prezentarea metodelor de baza in problema detectiei si

diagnozei folosind prelucrari statistice de semnal.

S-au prezentat doua metode de baza:

1) Metoda pluzibilitatii maxime (Bayes);
2) Metoda testarii/verificarii momentelor statistice (considerate deci ca
reziduuri/trasaturi);

Referinte

(Haykin, Simon Haykin, Adaptive Filter Theory, 4th Edition, Prentice Hall, ISBN 0-13-
2002) 090126-1, 2002.

(Bozic, S.M. Bozic, Digital and Kalman Filtering. An introduction to discrete time-
1996) filtering and optimum linear estimation, Halsted Pr., 2nd Edition, ISBN:
0470234016, 1996.

10