?

    <table id="bgfpv"><strike id="bgfpv"></strike></table>

      <track id="bgfpv"></track>
    1. <p id="bgfpv"></p>
      1. ?
        當前位置:
        傳感器數據的重建
        回復 | 人氣 | 打印
        MW陳建平 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-01 10:27:07 樓主

        傳感器數據的重建

        如果事情有變壞的可能,不管這種可能性有多小,它總會發生。

        —— 墨菲定律

         

        我們在前面的文章中,給出了一個開發預測性維護系統的總體流程。今天,我們從數據的源頭開始,討論一下工程實現可能碰到的第一個問題:傳感器數據的重建


        在預測性維護場景下,我們的處理對象都是來自于傳感器或者其他手段獲取的時間序列,在信號處理領域叫做信號。而傳統機器學習或者分析方法都是基于點(沒有時間軸)的方法,與之大相徑庭。這是由預測性維護的數據特點決定的:數據來源于連續的傳感器采樣或者人工連續記錄。我們一般習慣上稱這一類的數據叫做工程數據,對應的分析方法叫工程數據分析


        為了復用現有的基于點的處理方法,比如機器學習算法,我們需要把連續采樣的數據按照某種方法,比如滑窗法,轉化為適合于點的數據。比如圖. 1所示的信號中,我們幾乎無法直接觀察出足夠的信息。我們需要采用信號分析的方法和手段來提取信息,常見的包括時頻信號分析和小波分析。比如,我們可以從振動傳感器中提取出機械的轉動周期的隨時間的變化信息,以跟蹤機械設備的運轉狀態。

        resampling-sensor-data.png

        Figure 1: 一對傳感器信號,幾乎不太可能從時域信號中直接得到有用的信息


        本文中,我們將分析非均勻采樣帶來的影響,并討論如何非均勻采樣和樣點缺失進行信號重建,如下圖的綠色方框所示。

        resampling-workflow.png


        一個預測性維護系統的預處理流程


        非均勻采樣及其影響

        現代的信號分析經過長時間的發展,幾乎所有現有能用的信號分析方法都基于均勻連續采樣。現實工程數據中,可能出現既非均勻,又非連續的數據。比如,一些歷史數據是通過人工采樣搜集的,采樣時刻偏差幾乎一定會存在。即使我們采用傳感器搜集數據,也可能因為干擾導致采樣點缺失,甚至出現大片數據丟失。而對于精度要求較高的場合,溫度等外界條件的變化也會導致晶振出現頻率漂移導致采樣偏差。


        resampling-large-gap.png

        Figure 2: 非理想采樣導致的數據丟失


        非理想采樣數據不可避免,我們需要有相應的手段把非均勻采樣或者數據丟失引起的誤差控制在最小的范圍內。我們從一段理想信號的采樣分析開始,來看一看非均勻采樣對后續預處理潛在的干擾。

        視頻中,我們在 40kHz 的采樣速率下,對兩個理想的正弦信號,頻率分別為 5kHz 15kHz 進行采樣,視頻是對在不同的采樣時間偏差(正態分布)下的頻域的觀測結果。理想采樣情況下,應該是在 5kHz 15kHz 下的兩個尖脈沖。


        左邊的尖峰和右邊的尖峰分別是沒有采樣干擾下的理想信號,非常尖銳,對其他的頻率干擾幾乎都抑制在 100dB 以下。而藍色功率和綠色功率譜分別是在相同的采樣偏差下的采樣信號。我們從這段視頻可以觀察到: 1. 隨著信號頻率的增加,相同采樣偏差帶來的信號功率損失增大。 2. 隨著信號頻率的增加,相同采樣偏差帶來的噪聲功率越大。 3. 隨著采樣偏差的增加,相同的信號的功率損失增大,帶外噪聲隨之增加。

        在預測性維護場景下,我們經常需要從一些緩變的信號里尋求突變,比如機械故障可能給震動傳感器里可以觀測到高頻的突發頻譜,采樣的噪聲和特征混合在一起,無法通過傳統的濾波的方法濾除

        非均勻采樣可能會導致一下問題:

        1.      采樣噪聲增加,干擾特征提取;

        2.     增加數據的存儲量,我們需要同時存儲時間軸和幅度軸;

        信號重采樣

        從上面的簡單討論可知,非均勻采樣可能會在特征處帶來額外的噪聲,導致我們提取的特征失效。除非從源頭上保證均勻采樣,我們無法根除非均勻采樣帶來的噪聲,只能對齊均勻化最大限度保留有用信息。我們用 MATLAB 信號處理工具箱自帶的 resample 函數就可以實現信號的均勻化。


        [y, ty] = resample(x, tx, 100, 'spline');


        代碼里的變量 x tx 是非均勻采樣的信號的時間和幅度矢量,輸出 y ty 是經過均勻化采樣以后的信號。我們需要針對不同的場景選擇合適的差值方法,這里我們采用樣條插值來恢復信號。具體工程中,根據需求,我們也可以用其他方法實現重采樣。比如對于邊緣設備這些計算能力很差的嵌入式設備,我們可能會用更加簡單的線性差值方法重采樣。

        resampling-spectrum.png

        Figure 3: 不同頻率信號重采樣結果

        這個圖展示的是對 10Hz 40Hz 的正弦信號的重采樣的功率譜。頻域中,較高頻率的正弦波(40 Hz)具有比較低頻率正弦波(10 Hz)更大的缺陷。在頻域顯示中,重采樣的 40Hz 正弦波具有大約-30dB 的基底噪聲,而重采樣的 10Hz 正弦波具有大約 -80dB 的基底噪聲。避免輸入信號中的高頻內容的一種方法是在執行隨機采樣時增加平均采樣率。請注意,如果只是增加重采樣輸出信號的采樣率,則無助于降低本底噪聲。

        重采樣有助于盡可能保留信息,減少采樣噪聲帶來的干擾,減少信號的傳輸。而最后一點對于基于無線傳輸的設備意義重大。

        丟失樣點的填充

        在多個傳感器收集數據的情況下,通常會發現這種少量樣點丟失的信號。這種丟失的數據會零零散散分布到信號的各個時間點,如果你把這類問題看成非均勻采樣的情況,采用簡單的重采樣操作就可以恢復信號,藍色 x 點都是補齊的樣點:

        resampling-small-gap.png

        Figure 4: 少量樣點丟失的恢復


        在某些特殊的條件下,我們會碰到信號較長寬度的缺損的問題。比如,傳感器停機幾秒后再次恢復,就會導致有一段連續的信號丟失的情況。技術上,我們可以采用跟蹤原始信號走勢,根據信號的歷史數據,構建出一些回歸模型來填充大數據段。這類問題的處理方法多種多樣,其中 fillgaps 函數經常用于這個目的。


        resampling-rebuilt.png

        Figure 5: 左側是重建前的數據,右側是重建之后的數據。這是一種基于統計學的重建方法,可以看到,二者的時域是有一定的差異的;如果從頻域來觀察,二者將十分相似。

        結論

        在預測性維護的第一步,信號采集中,我們可能碰到非均勻采樣和樣點丟失的問題。這類問題可能帶來對特征提取的干擾,影響我們后續處理的精度,甚至于無法采用某些算法。本文中給出了一些簡單的解決方法。在真實的工程現場,我們可能碰到更加復雜的情況,需要綜合運用領域知識重建信號。重建出連續均勻信號有利于復用常用分析例程和壓縮數據,這一點對于 IoT 和邊緣設備尤其重要。


        下一次,我們來探討一下如何通過時頻分析和可視化手段來探索傳感器數據特征。


        分享到: 關注收藏 邀請回答 回復 舉報
        ?
        GKstudying 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-20 16:46:29 1樓
         

        對于預測性維護來說,數據采集是基礎

          回復 引用 舉報
        尋找山吹 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-20 16:48:15 2樓
         

        妥妥的技術干貨,拜讀了

          回復 引用 舉報
        研討會宣傳員_3259 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-20 17:05:56 3樓
         

        這可是純梁釀造呀。滿滿 干貨。

          回復 引用 舉報
        AC米蘭 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-21 09:05:18 4樓
         

        數據采樣再進行分析對于維護分析尤為重要

          回復 引用 舉報
        左思右想 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-21 09:15:04 5樓
         

        沒接觸過,來學習學習,進行預測性維護都是需要傳感器就行數據采集嗎前期?

          回復 引用 舉報
        痛罰 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-21 10:51:48 6樓
         

        物聯網領域有實際的解決案例沒,比較感興趣

          回復 引用 舉報
        hjh_h 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-21 10:53:12 7樓
         

        預測性維護沒怎么接觸過,看起來好深奧,小白

          回復 引用 舉報
        hjh_h 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-21 10:53:54 8樓
         

        這種的數據分析是用什么軟件?有專門的分析工具?

          回復 引用 舉報
        kitecrying 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-21 13:26:04 9樓
         

        大神又更新新作了呀,仔細讀讀,學習學習,

          回復 引用 舉報
        kitecrying 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-21 13:27:42 10樓
         

        對對,結合案例說應該更直觀

        引用 痛罰 的回復內容: 物聯網領域有實際的解決案例沒,比較感興趣

        -------------------------


          回復 引用 舉報
        大城小熊 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-21 13:28:58 11樓
         

        作者是做技術分析研究的嗎,文章的理論性很強

          回復 引用 舉報
        電工00 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-23 10:19:16 12樓
         

        預測性維護在什么領域應用的多呢

          回復 引用 舉報
        電工00 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-23 10:19:42 13樓
         


        回復內容:同感,文章理論比較多

        對: 大城小熊 作者是做技術分析研究的嗎,文章的理論性很強 內容的回復!

        -------------------------


          回復 引用 舉報
        電工00 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-23 10:20:10 14樓
         


        回復內容:應該是得有專門的軟件進行數據分析吧

        對: hjh_h 這種的數據分析是用什么軟件?有專門的分析工具? 內容的回復!

        -------------------------


          回復 引用 舉報
        浮生小偷 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-23 10:22:46 15樓
         

        預測性維護在國內應用的多嗎,聽說過這個概念,但沒實際接觸過,這個對維護人員的綜合專業知識要求比較高吧

          回復 引用 舉報
        浮生小偷 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-23 10:23:44 16樓
         

        應該是未來維護的發展趨勢,有機會學習學習吧

          回復 引用 舉報
        lizongming0908 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-23 10:26:14 17樓
         

        對維護型的公司有很大的幫助,減少維護人員的工作量提高效率,前提得進行一系列的專業培訓

          回復 引用 舉報
        lizongming0908 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-23 10:26:34 18樓
         


        回復內容:有的

        對: hjh_h 這種的數據分析是用什么軟件?有專門的分析工具? 內容的回復!

        -------------------------


          回復 引用 舉報
        mengbin 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-23 17:13:21 19樓
         

        學習了 ,好經驗謝謝!

          回復 引用 舉報
        長歌 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-25 09:42:29 20樓
         

        預測性維護沒怎么接觸過,看起來好深奧

          回復 引用 舉報
        student 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-25 20:05:55 21樓
         

        預測性維護在什么領域應用的多呢

          回復 引用 舉報
        gongkonglaj 個人主頁 給TA發消息 加TA為好友 發表于:2019-08-26 11:35:46 22樓
         

        預測性維護,關鍵是需要數字化、智能化設備的支撐。

          回復 引用 舉報
        你猜你猜 個人主頁 給TA發消息 加TA為好友 發表于:2019-09-04 10:00:31 23樓
         

        預測性維護是工業互聯網領域的明星應用,被很多專家稱為<此處內容被屏蔽>級應用。

          回復 引用 舉報
        戒心 個人主頁 給TA發消息 加TA為好友 發表于:2019-09-04 23:06:31 24樓
         

        學習了,不錯呀

          回復 引用 舉報
        萬物一 個人主頁 給TA發消息 加TA為好友 發表于:2019-09-17 20:01:38 25樓
         

        感謝樓主分享這么好的東西,支持

          回復 引用 舉報
        晨羽遠 個人主頁 給TA發消息 加TA為好友 發表于:2019-09-23 23:06:02 26樓
         

        我是進來打醬油的

          回復 引用 舉報
        Mr李先生 個人主頁 給TA發消息 加TA為好友 發表于:2019-09-24 13:44:20 27樓
         

        謝謝分享 謝謝分享 謝謝分享 謝謝分享

          回復 引用 舉報
        freeman_jin 個人主頁 給TA發消息 加TA為好友 發表于:2019-11-01 13:36:55 28樓
         

        謝謝老師分享學習學習贊一個

          回復 引用 舉報
        陽光如煙 個人主頁 給TA發消息 加TA為好友 發表于:2020-04-16 22:36:48 29樓
         

        感謝樓主分享


          回復 引用 舉報
        homemob 個人主頁 給TA發消息 加TA為好友 發表于:2020-04-17 14:54:50 30樓
         

        預測性維護在國內應用的多嗎,聽說過這個概念,但沒實際接觸過,這個對維護人員的綜合專業知識要求比較高吧

          回復 引用 舉報
        ?
        周點擊排行
        周回復排行
        最新求助
        ?
        ? yy4480首播影院手机电影电影