Documente Academic
Documente Profesional
Documente Cultură
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
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;
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).
2.1. 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).
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).
4
Diagnoza prin prelucrarea statistica semnalelor
3. Mediana:
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)
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
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.
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.
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
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.
Se fac ipotezele:
H0: fara defect; proces normal
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
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 )
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.
9
Diagnoza prin prelucrarea statistica semnalelor
f (y | H 1)
Λ(y ) = (6)
f (y | H 0)
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
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