Surveillance d’étatProduction et robotique

Prédiction acoustique de défaillance

Un seul microphone à distance et une chaîne de diagnostic par transformée en ondelettes continue sur un transformateur de puissance de poste — traitement du signal temps-fréquence, un comparatif à six familles de caractéristiques, et un pipeline de pronostic indice de santé / RUL avec une incertitude mesurée honnêtement, rapportée avec les échecs laissés dedans.

DjiniousLabModélisation et simulation

Un diagramme en barres groupées sur fond sombre comparant l’AUC par famille de caractéristiques (FFT, STFT, CWT, DWT et deux autres) sur quatre classes de défauts — l’échelle CWT ne l’emporte nettement que sur la classe décharge partielle

Erreur de calibration CWT, pire tonalité (100 Hz–10 kHz): 0.14%Erreur de calibration CWT, pire tonalité (100 Hz–10 kHz)
erreur de localisation de rafale de décharge partielle: 0,0 mserreur de localisation de rafale de décharge partielle
erreur de retrouvaille BPFO du ventilateur de refroidissement: 0,17 Hzerreur de retrouvaille BPFO du ventilateur de refroidissement
Couverture de l’intervalle prédictif RUL à 80 % (cible ≥ 80 %): 81.3%Couverture de l’intervalle prédictif RUL à 80 % (cible ≥ 80 %)

Entendre un transformateur tomber en panne avant que cela n’arrive.

Un seul microphone à distance, à trois mètres de la paroi de cuve d’un transformateur de puissance à bain d’huile, alimentant une chaîne de diagnostic par transformée en ondelettes continue. Là où une transformée de Fourier stationnaire brouille une rafale de décharge partielle de l’ordre de la microseconde sur toute une fenêtre de moyennage, la CWT la localise à la milliseconde près — et un indice de santé avec une incertitude mesurée honnêtement et une estimation de durée de vie utile restante transforment ce signal en une décision de maintenance, les classes où les ondelettes n’aident pas étant rapportées aussi clairement que celle où elles aident.

Une chose ici est synthétique : le microphone.

Chaque enregistrement de ce programme est généré, pas capturé — un modèle physique de cinq mécanismes acoustiques (magnétostriction du noyau, force de Lorentz du bobinage, et trois modes de défaut) convolué à travers un chemin de transfert de paroi de cuve à trois modes validé, à un RSB large bande déclaré de 8,4 dB face au bruit ambiant de poste électrique. Tout ce qui est en aval de cet enregistrement — la transformée, les caractéristiques, les classifieurs, l’indice de santé, le pronostic — est du code réel opérant sur ces échantillons ; remplacez l’étape d’enregistrement par un capteur réel et rien en aval ne change. Le propre intervalle conforme fractionné à 90 % de l’indice de santé, le jalon construit spécifiquement pour tester si son incertitude déclarée est honnête, a couvert 82,5 % des cas réservés (n=63) — rapporté comme un ÉCHEC dans le notebook de vérification et le dossier du programme, sans arrondir vers le haut. Les trajectoires de durée de vie utile restante sont des instantanés mensuels simulés de l’indice de santé issus du même modèle physique, et non des données de terrain longitudinales, si bien que le chiffre de couverture RUL de 81,3 % ci-dessus est une propriété de l’estimateur appliqué à une trajectoire simulée, pas une affirmation sur l’usure réelle d’un transformateur. Aucune affirmation sur cette page ne se substitue à une validation de terrain.

Quatre scalogrammes en transformée en ondelettes continue sur fond sombre, un exemplaire par classe — normal, jeu mécanique, roulement de ventilateur et décharge partielle — énergie CWT en log10 sur 96 échelles espacées logarithmiquement de 60 Hz à 20 kHz — Un scalogramme par classe issu de la même transformée en ondelettes continue à 96 échelles. L’énergie large bande et non stationnaire de l’exemplaire de décharge partielle est exactement ce qu’une transformée de Fourier stationnaire ne peut pas localiser — la CWT retrouve sa rafale à 0,0 ms près, contre une cible inférieure à la milliseconde.

Là où les ondelettes gagnent — et là où elles ne gagnent pas.

Valeurs d’AUC du comparatif à données réservées du notebook 06 : un classifieur à distance de Mahalanobis, noté par classe face à six familles de caractéristiques sur le même jeu de données de 234 enregistrements (117 enregistrements ajustent la gaussienne par classe de chaque famille, les 117 autres sont réservés et notés — jamais les deux pour le même enregistrement). La colonne FFT montre la famille dérivée de Fourier la plus forte, spectral-band — cohérent avec la façon dont le jalon R-07 lui-même est noté, face à la famille Fourier la plus forte plutôt que la plus faible. CWT-scale l’emporte nettement sur la classe décharge partielle parmi les six familles mesurées — mais spectral-band ne la suit que de 1,3 point d’AUC, en deçà de la marge d’au moins 10 points qu’exige le jalon propre du programme, ce qui est mesuré comme un ÉCHEC, sans arrondir vers le haut. Sur les trois classes stationnaires, CWT ne gagne pas du tout.