CN117223003A - 建模方法 - Google Patents
建模方法 Download PDFInfo
- Publication number
- CN117223003A CN117223003A CN202280031691.4A CN202280031691A CN117223003A CN 117223003 A CN117223003 A CN 117223003A CN 202280031691 A CN202280031691 A CN 202280031691A CN 117223003 A CN117223003 A CN 117223003A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- amplitude spectrum
- data series
- measurement data
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 182
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000013178 mathematical model Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims description 91
- 238000012545 processing Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 3
- 239000011159 matrix material Substances 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 229940035637 spectrum-4 Drugs 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010259 detection of temperature stimulus Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明涉及一种用于确定特征信号滤波器用于准备多个测量参量的信号测量数据系列用来根据实验确定数学模型的方法,所述数学模型根据多个特征信号传感器(5)的所检测的测量数据为至少一个目标信号传感器(7)映射模型测量数据。本发明此外涉及一种用于确定数学模型(16)的方法,所述数学模型根据多个特征信号传感器(5)的所检测的测量数据为至少一个目标信号传感器(7)映射模型测量数据,其中通过特征信号传感器(5)确定的训练输入测量数据系列(19)被映射到至少一个通过至少一个目标信号传感器(7)确定的训练输出测量数据系列(18)上。
Description
技术领域
本发明涉及一种用于确定特征信号滤波器用于准备多个测量参量的信号测量数据系列用来根据实验确定数学模型的方法,所述数学模型根据多个特征信号传感器的所检测的测量数据为至少一个目标信号传感器映射模型测量数据。本发明还涉及一种用于确定数学模型的方法,所述数学模型根据多个特征信号传感器的所检测的测量数据为至少一个目标信号传感器映射模型测量数据。
背景技术
传感器是一种技术构件,通过所述技术构件,物理或化学特性被检测并且被转换成电信号。可以使用传感器用于大量测量任务,以便例如使得能够定量地检测温度、加速度、力、转矩或路径(Weg)。在复杂的系统、诸如电子或机电设备中,而且在发动机或复杂的生产设施中,通常安装有大数量的传感器用于监控系统或进行中的(ablaufend)过程。受限的安装空间经常使在合适的位置处使用传感器变得困难。此外,由于诸如热、机械或化学影响之类的不利的环境条件以及由于由此出现的传感器的磨损,使在合适的位置处使用传感器变得困难。根据测量任务,由于大量所使用的传感器,所述使用经常与高成本相关联。
在虚拟测试环境中使用传感器或传感器信号的模拟,以便能够模拟和仿真复杂的系统用于虚拟测试。传感器信号可以是经仿真和计算的传感器信号曲线或是在真实过程期间记载的(aufgezeichnete)传感器数据。
为了在系统的真实运行中模拟(Nachbildung)传感器信号已知的是,传感器的信号被用作用于储存在控制设备中的仿真程序或用于储存在真实系统嵌入式计算机系统中的仿真程序的输入信号,以便基于所储存的计算模型计算不存在的传感器的传感器值。在此,计算可以直接在计算机系统上或在集成在计算机网络内的计算机系统、诸如云上被执行。通常通过评估存放在控制设备或计算机系统的存储器中的特性曲线族来计算传感器值。借助于计算模型基于特性曲线族确定的传感器值可能与来自真实的过程的传感器值具有令人不满意的一致性。由于改变的环境条件或者过程进程中或系统中的变化,可能引起导致不准确的传感器值的其他偏差。
发明内容
改善从现有技术中已知的方法被看作本发明的任务。
根据本发明,该任务通过一种方法来解决,其中利用数据处理系统利用特征信号传感器记载特征信号测量原始数据系列,其中利用数据处理系统从特征信号测量原始数据系列中确定特征信号测量数据系列,其中利用数据处理系统利用至少一个目标信号传感器记载至少一个目标信号测量原始数据系列,其中利用数据处理系统从至少一个目标信号测量原始数据系列中确定至少一个目标信号测量数据系列,其中在频率分析步骤中,通过数据处理系统针对每个特征信号测量数据系列借助于频率分析方法确定特征幅度谱,并且针对目标信号测量数据系列借助于频率分析方法确定目标幅度谱,其中特征幅度谱分别被划分成多个彼此邻接的或部分重叠的特征幅度谱区段,其中特征幅度谱区段分别包括手动或自动地预先给定的特征频率范围,其中目标幅度谱被划分成目标幅度谱区段,其中目标幅度谱区段的目标频率范围对应于特征频率范围,其中在一致性检验过程中在多个重复的一致性检验步骤中通过数据处理系统分别针对每个特征幅度谱区段确定一致性度量,其中一致性度量是相应的特征幅度谱区段的幅度谱和所属的目标幅度谱区段的一致性的度量,其中通过数据处理系统将其一致性度量超过预先给定的一致性度量值的特征频率范围选择为选择信号频率范围,其中在随后的确定步骤中,通过数据处理系统针对选择信号频率范围分别设计选择带通滤波器,使得利用相应的选择带通滤波器滤波的信号测量数据系列具有位于相应的选择信号频率范围之内的信号分量,并且位于相应的选择信号频率范围之外的信号分量从经滤波的信号测量数据系列中被滤出,其中每个选择带通滤波器为每个特征信号传感器构成特征信号滤波器,其中在由相应的特征信号传感器记录的特征信号测量数据系列的特征幅度谱区段与目标幅度谱区段之间的一致性度量在属于相应的选择带通滤波器的特征频率范围中超过一致性度量值。在相交的(sichüberscheidenden)特征频率范围的情况下,选择具有较大的一致性度量的特征频率范围。通过设定可预先给定的一致性度量值,可以有针对性地手动地选择特征信号测量数据系列或特征频率范围,使得以简单的方式选择对于规划选择带通滤波器有意义的并且相关的特征信号测量数据系列。在带通滤波器的情况下,仅使频带下限和频带上限之内的特定频带的信号通过。在此,处于频带上限以上以及处于频带下限以下的频率范围被阻挡或明显被衰减。根据本发明,选择带通滤波器的频带下限可以被选定为使得所述频带下限处于0Hz处,使得选择带通滤波器形成低通滤波器。根据本发明,选择带通滤波器的频带上限可以被选定为使得所述频带上限处于尼奎斯特频率处,使得选择带通滤波器形成高通滤波器。
根据本发明,特征信号测量原始数据系列还可以通过与传感器不同的源提供。例如,可以由由控制设备输出的信号构成特征信号测量原始数据系列。在此,控制设备输入信号不强制性地由传感器信号构成。例如,借助于特征信号传感器确定的经预处理的控制设备输入信号可以被使用来从控制设备输入信号峰值的计数中生成转速信息作为控制设备输出信号。也可以由在控制设备中实现的仿真模型构成特征信号测量原始数据系列,其中转矩信息能够基于储存在仿真模型中的特性曲线族被确定。通过对各种控制设备输入信号的合理性检验而构成的控制设备输出信号例如也可以以状态变量、所谓的布尔变量的形式作为特征信号测量原始数据系列被提供。
在下面示出的示例应该用于阐明上面提到的术语。在真实系统、例如发动机内,诸如特征信号传感器和目标信号传感器之类的多个信号传感器被使用用于示例性地测量压力、温度或气体体积流量。在此,例如使用用于测量压力p1和p2的两个压力传感器和用于测量温度T1的温度传感器作为特征信号传感器。此外,在该示例中,使用实施为体积流量传感器的目标信号传感器用于测量体积流量q1。建模方法的目的是创建数学模型,通过所述数学模型,从通过特征信号传感器确定的压力p1和p2以及温度T1的信号曲线中模拟通过目标信号传感器确定的信号曲线以及相应地模拟体积流量ql,使得在使用数学模型的情况下在相似的真实系统中并且在使用上面提到的特征信号传感器的情况下可以模拟目标信号传感器的信号曲线,并且必要时可以不需要使用目标信号传感器。
以等距时间间隔对通过特征信号传感器和目标信号传感器记录的信号进行采样,其中可替代地或附加地对信号进行插值,使得通过信号的测量值记录产生多个特征信号测量原始数据系列和一个目标信号测量原始数据系列。通常,通过低通滤波对多个特征信号测量原始数据系列和目标信号测量原始数据系列进行预处理,以便抑制其中包含的噪声分量。随后从特征信号测量原始数据系列中并且从目标信号测量原始数据系列中选择相关的时间段,由此分别构成多个特征信号测量数据系列和多个目标信号测量数据系列。在此,选定其中特征信号测量原始数据系列或目标信号测量原始数据系列具有尽可能大的频率内容和尽可能大的动态范围的那些时间段。例如可以根据频率幅度谱来评定动态范围,所述频率幅度谱借助于诸如短时傅里叶变换(英语:Short-time Fourier transform,简称STFT)之类的频率分析方法被确定。通过应用频率分析方法,特征幅度谱和目标幅度谱被确定,并且随后被细分成单独的特征幅度谱区段和目标幅度谱区段。在检验步骤中,如下对特征幅度谱区段和目标幅度谱区段进行检验以及比较:其中包含的频率分量是否在一定的一致性度量内一致。例如,特征幅度谱区段内的由于压力p1或p2的变化而变化的频率分量可以由变化的体积流量q1表示或者被表示为目标幅度谱区段中的变化的频率分量。因为与由于压力p1或p2的变化相比,由于温度TI的变化而引起的体积流量q1的变化可能以更长的时间间隔进行,所以多个彼此不同的特征幅度谱或特征信号测量数据系列可以与建模相关。为了从被分类为相关的特征幅度谱区段中仅使用那些频率分量用于建模,为每个被分类为相关的特征幅度谱区段产生选择带通滤波器。利用这些选择带通滤波器对被设置用于建模的输入信号测量数据系列进行滤波,并且以这种方式产生输入信号数据系列用于建模。因此,仅利用具有先前确定的相关的频率分量的信号分量进行建模,使得可以确定特别精确的模型。
为了执行根据本发明的方法使用的数据处理系统可以包括不同的数据处理设备,所述数据处理设备也以较大的时间间隔执行该方法的子步骤。例如,特征信号测量原始数据系列和目标信号测量原始数据系列可以利用数据记录器被记载并且被储存在存储器上。在稍后的时间点,由数据处理系统的其他数据处理设备、诸如PC或云服务器访问这些所记载的特征信号测量原始数据系列和目标信号测量原始数据系列,并且执行根据本发明的方法的其他评估步骤。
在本发明的一种有利的设计方案中规定,通过数据处理系统借助于相关分析确定一致性度量。可选地,可以确定均方根误差(所谓的Root-mean-squared error,简称RMSE)或标准化均方根误差作为一致性度量。
为了实现选择信号频率范围的特别清晰的界定,在本发明思想的一种有利的实施中规定,带通滤波器优选地具有至少八的滤波器阶数。因此可以在选择信号频率范围的边界处实现特别陡峭的边沿,由此位于选择信号频率范围之内和之外的频率可以特别好地被彼此分离。
此外,根据本发明规定,实施为所谓的巴特沃斯滤波器的带通滤波器优选地具有至少四的滤波器阶数。根据本发明,还设置其他滤波器类型,例如有限脉冲响应滤波器(Finite-Impulse-Response-Filter,简称FIR滤波器)。
在根据本发明的方法的一种有利的设计方案的情况下规定,特征幅度谱区段具有预先给定的幅度谱宽度。例如,可以手动地预先给定幅度谱宽度,使得在存在对要模拟的过程的一定过程了解的情况下仅考虑特征幅度谱的相关的频率范围。
为了确定特征幅度谱区段,根据本发明有利地规定,通过数据处理系统通过以下方式确定特征幅度谱区段,即特征幅度谱在第一子步骤中被划分成两个特征幅度谱区段,并且对于每个特征幅度谱区段,确定第一一致性度量,并且特征幅度谱区段随后在其他子步骤中分别进一步被划分成更小的特征幅度谱区段,并且一致性度量分别被确定,其中每个特征幅度谱区段在其他子步骤中被划分为新的特征幅度谱区段,一直到在在前子步骤与当前子步骤之间的一致性度量的改善小于预先给定的改善值为止。通过在频率范围中应用这种回归树方法,可以特别简单地自动地确定相应的特征频率范围。在此,分别在后续的子步骤中将针对在一个子步骤中确定的特征幅度谱区段的一致性度量与在进一步划分相应的特征幅度谱区段时确定的并且如果通过该进一步划分不能实现进一步显著改善则中止该进一步划分的一致性度量进行比较。
在本发明思想的一种有利的设计方案中规定,相邻的特征幅度谱区段以预先给定的幅度谱重叠宽度重叠,使得特征幅度谱的相关的频率多次包含在特征幅度谱区段内。从而可以有利地动用现有的数据库。在此,幅度谱重叠宽度也可以为零,使得相邻的特征幅度谱区段彼此邻接并且不重叠。幅度谱重叠宽度也可以小于零,以便在相交的滤波器边沿的区域中避免频率超高。
上面提到的任务还通过一种用于确定数学模型的方法解决,所述数学模型根据多个特征信号传感器的所检测的测量数据为至少一个目标信号传感器映射模型测量数据,其中通过特征信号传感器确定的训练输入测量数据系列被映射到至少一个通过至少一个目标信号传感器确定的训练输出测量数据系列上,其中借助于根据前述根据本发明的方法设计的特征信号滤波器利用数据处理系统对训练输入测量数据系列进行滤波,并且由此构成训练输入数据系列,其中能够利用不同地规划的特征信号滤波器对训练输入测量数据系列进行滤波,使得从一个训练输入测量数据系列中构成多个训练输入数据系列,并且其中借助于基于数据的模型确定方法基于作为模型输入参量的训练输入数据系列和作为模型输出参量的至少一个训练输出测量数据系列利用数据处理系统确定数学模型。通过借助于所确定的选择带通滤波器对训练输入测量数据系列进行滤波,可以从一个训练输入测量数据系列中产生一个或多个训练输入数据系列。由此可以特别快速且精确地确定数学模型。可以使用不同的基于数据的模型确定方法用于确定数学模型。数学模型可以是线性的或非线性的。可以使用参数和非参数模型。从现有技术中充分公知的标识方法、遗传算法、神经网络等可以被用作模型确定方法。
通过特征信号传感器确定为了建模使用的训练输入测量数据系列。如在上述示例中,因此通过示例性的两个压力传感器以及通过温度传感器确定训练输入测量数据系列。在此,还可以借助于训练输入测量数据系列进行建模,所述训练输入测量数据系列在相同的过程中但在其他同类的系统上被确定。在其他同类的系统中,上面提到的压力传感器和温度传感器被用作特征信号传感器用于确定训练输入测量数据系列。
根据本发明,可选地规定,利用目标信号传感器确定的训练输出测量数据系列通过利用对应的选择带通滤波器进行滤波被用作训练输出数据系列用于建模。
在完成的建模之后,可以在真实系统的串联系统中使用模型。可替代地,在计算机系统上使用模型,所述计算机系统在计算机网络、诸如云中被运行。根据应用情况,目标信号传感器不再存在于真实系统中,或者目标信号测量数据系列应该作为冗余的所计算的信号被补充。为此,目标信号传感器的目标信号测量数据系列由通过模型输出的并且通过模型从模型输入参量中确定的模型输出参量来近似。
在本发明思想的一种有利的实施中规定,通过特征信号测量数据系列构成训练输入测量数据系列。由此可以以简单的方式动用已经存在的特征信号测量数据系列,由此可以取消用于准备特征信号测量原始数据系列以用作训练输入测量数据系列的时间耗费。根据本发明还设置特征信号测量数据系列或特征信号测量数据系列的组成部分和训练输入测量数据系列或训练输入测量数据系列的区段的组合。
为了从特征信号测量原始数据系列中确定特征信号测量数据系列,根据本发明有利地规定,特征信号测量数据系列具有在时间上紧接地依次的特征信号测量数据点,并且因此分别构成所属的特征信号测量原始数据系列的区段,其中特征信号测量数据系列的区段具有至少一个预先给定的最小数据点数量,并且其中所述区段通过数据处理系统被选择为使得目标信号功率在所选定的区段中是最大的。利用目标信号功率描述在特征信号测量数据系列内包含的相关的幅度。在信号或特征信号测量数据系列的对应的区段内包含的幅度越大,目标信号功率就越大。根据本发明规定,为了从特征信号测量数据系列中确定特征幅度谱区段,执行特征信号测量原始数据系列的短时傅里叶变换(英语:Short-timeFourier transform,简称:STFT)或小波变换。在此,标识所属的特征信号测量数据系列的区段,其中确定每个区段与其局部平均值的(平方)剩余误差之和。一旦出现平均值的显著变化,就在考虑预先给定的最小数据点数量的情况下构成下一区段。因此可以标识特征信号测量原始数据系列的具有特别大的频率内容或特别高的动态性或高动态范围和高目标信号功率的时间区段。
在本发明的一种有利的设计方案中规定,为了确定针对目标信号测量原始数据序列在具有目标信号测量原始数据序列的预先给定的持续时间的依次的并且有利地重叠的时间段内的目标信号功率,通过数据处理系统确定短时频率幅度谱,其中对于每个短时频率幅度谱确定短时频率幅度功率,其中时间上依次的目标信号测量原始数据点通过数据处理系统被联合成目标信号测量原始数据区段,使得时间紧接地依次的目标信号测量原始数据点的短时频率幅度功率的变化处于预先给定的变化功率以下,并且其中随后通过数据处理系统分别对于时间上依次的目标信号测量原始数据区段的所有组合确定目标信号功率,所述目标信号测量原始数据区段具有预先给定的最小数据点数量,并且其中所述组合通过数据处理系统被选择为其目标信号功率是最大的区段。通过选择具有最大目标信号功率的目标信号测量原始数据点,可以特别精确地确定选择带通滤波器和数学模型。
在下面的示例中,应该直观地阐述对目标信号功率的确定。为了规划滤波器,首先定义最小步进频率和最大上限频率。例如,对于最小步进频率可以规定处于1Hz处并且对于最大频率可以规定频率M。随后,通过频率范围区段0Hz至1Hz、0Hz至2Hz、...、0Hz至MHz、1Hz至2Hz、1Hz至3Hz...、1Hz至M Hz、...、(M-1)Hz至M Hz构成各个特征信号测量数据系列。对于目标信号测量数据系列和所有单独的特征信号测量数据系列分别通过标准快速傅里叶变换分析来确定傅里叶谱。随后,在上面定义的所有单独的频率范围区段(0Hz至1Hz、0Hz至2Hz、...0Hz至M Hz、1Hz至2Hz、1Hz至3Hz...、1Hz至M Hz、...、(M-1)Hz至M Hz)上确定在目标信号测量数据系列和特征信号测量数据系列的傅里叶谱之间的相关系数。进一步仅仅考虑具有最高相关系数的特征信号测量数据系列或频率范围区段。示例性地,这可以是频率范围区段0Hz至1Hz、1Hz至6Hz、6Hz至8Hz以及8Hz至M Hz。在此,从0Hz至M Hz的整个频率范围用p个频率范围区段覆盖,其中不忽略频率范围区段,并且还考虑具有低相关系数的频率范围区段。但是根据本发明,可选地还规定,忽略具有低的并且处于预先给定的相关极限值以下的相关值的频率范围区段。通过所描述的行为方式选择在相应的频率范围区段上具有最大的相关系数的n个特征信号测量数据系列。然后针对所选择的特征信号测量数据系列规划滤波器。如果频率范围区段的数量p等于所选择的特征信号测量数据系列的数量n,则考虑所有定义的频率范围区段并且对于每个频率范围区段考虑恰好一个特征信号测量数据系列。如果所选择的特征信号测量数据系列的数量n小于频率范围区段的数量p,则仅考虑具有最高相关性的n个所选择的特征信号测量数据系列的频率范围区段。因此,针对每个频率范围区段考虑一个特征信号测量数据系列。其余频率范围区段被忽略。如果所选择的特征信号测量数据系列的数量n大于频率范围区段的数量的数量p,则可能对于每个频率范围区段考虑多个特征信号测量数据系列。
在本发明的一种有利的设计方案中规定,为了确定针对目标信号测量原始数据系列在具有目标信号测量原始数据系列的预先给定的持续时间的依次的并且有利地重叠的时间段内的目标信号功率,通过数据处理系统确定短时频率幅度谱,其中将所确定的短时频率幅度谱按时间顺序以短时频率幅度谱矩阵布置,其中随后与频率加权矩阵的数学卷积运算通过数据处理系统被应用于短时频率幅度谱矩阵,使得作为结果构成加权值时间系列,所述加权值时间系列被用作目标信号功率。短时频率幅度谱矩阵例如包括具有针对m个频率确定的频率幅度的m行和对应于例如利用STFT方法确定频率幅度所针对的时间段的n列。频率加权矩阵有利地是同样具有m行的矩阵。频率加权矩阵的列的数量k被预先给定,并且确定构成加权值所针对的时间段的宽度。在此,频率加权矩阵可以被预先给定为使得特定的频率范围比其他频率范围更强地影响(in…einflieβen)通过卷积运算构成的加权值。
附图说明
根据在附图中示出的实施例来阐述根据本发明的方法的其他有利设计方案。其中:
图1示出特征信号测量原始数据系列和目标信号测量原始数据系列以及通过频率分析方法确定的特征幅度谱和目标幅度谱的示意图,以及
图2示出作为模型输入参量的为了确定数学模型使用的训练输入数据系列以及作为模型输出参量的训练输出测量数据系列的示意图。
具体实施方式
在图1中示出特征信号测量原始数据系列1和目标信号测量原始数据系列2以及通过频率分析步骤3确定的特征幅度谱4的示意图。在使用特征信号传感器5的情况下确定特征信号测量原始数据系列1。从特征信号测量原始数据系列1中确定特征信号测量数据系列2。在使用目标信号传感器7的情况下确定至少一个目标信号测量原始数据系列6。从目标信号测量原始数据系列6中确定至少一个目标信号测量数据系列8。在频率分析步骤3中,借助于频率分析方法为每个特征信号测量数据系列2确定特征幅度谱4,并且为每个目标信号测量数据系列8确定目标幅度谱9。特征幅度谱4分别被划分成多个彼此邻接或部分重叠的特征幅度谱区段10,所述特征幅度谱区段分别包括预先给定的特征频率范围。目标幅度谱9被划分成目标幅度谱区段11,其中目标幅度谱区段11的目标频率范围对应于特征频率范围。在一致性检验过程12中,在多个重复的一致性检验步骤中分别针对每个特征幅度谱区段10确定一致性度量,其中一致性度量是相应的特征幅度谱区段10的幅度谱和所属的目标幅度谱区段11的一致性的度量。将其一致性度量超过预先给定的一致性度量值的特征频率范围选择为选择信号频率范围13。在随后的确定步骤14中,分别为选择信号频率范围13设计选择带通滤波器15,使得利用相应的选择带通滤波器15滤波的信号测量数据系列具有位于相应的选择信号频率范围13之内的信号分量,并且位于相应的选择信号频率范围13之外的信号分量从经滤波的信号测量数据系列中被滤出。
在图2中示出作为模型输入参量的为了确定数学模型16使用的训练输入数据系列17和作为模型输出参量的训练输出测量数据系列18的示意图。利用所设计的选择带通滤波器15,对通过特征信号传感器5确定的训练输入测量数据系列19进行滤波,由此构成训练输入数据系列17,所述训练输入测量数据系列也可以通过特征信号测量数据系列2构成。利用相应的选择带通滤波器15滤波的训练输入测量数据系列19具有位于相应的选择信号频率范围13之内的信号分量。位于相应的选择信号频率范围13之外的信号分量从经滤波的训练输入测量数据系列19中被滤出。在此,可以利用不同地规划的(ausgelegten)选择带通滤波器15对训练输入测量数据系列19进行滤波,使得从一个训练输入测量数据系列19中构成多个训练输入数据系列17。借助于基于数据的模型确定方法20,基于作为模型输入参量的训练输入数据系列17和作为模型输出参量的至少一个训练输出测量数据系列19来确定数学模型16。
Claims (10)
1.一种用于确定特征信号滤波器用于准备多个测量参量的信号测量数据系列用来根据实验确定数学模型(16)的方法,所述数学模型根据多个特征信号传感器(5)的所检测的测量数据为至少一个目标信号传感器(7)映射模型测量数据,其中利用所述特征信号传感器(5)利用数据处理系统系统记载特征信号测量原始数据系列(1),其中利用所述数据处理系统系统从所述特征信号测量原始数据系列(1)中确定特征信号测量数据系列(2),其中利用所述至少一个目标信号传感器(7)利用所述数据处理系统记载至少一个目标信号测量原始数据系列(6),其中利用所述数据处理系统从所述至少一个目标信号测量原始数据系列(6)中确定至少一个目标信号测量数据系列(8),其中在频率分析步骤(3)中,通过所述数据处理系统针对每个特征信号测量数据系列(2)借助于频率分析方法确定特征幅度谱(4),并且针对所述目标信号测量数据系列(8)借助于所述频率分析方法确定目标幅度谱(9),其中所述特征幅度谱(4)分别被划分成多个彼此邻接的或部分重叠的特征幅度谱区段(10),其中所述特征幅度谱区段(10)分别包括手动或自动地预先给定的特征频率范围,其中所述目标幅度谱(9)被划分成目标幅度谱区段(11),其中所述目标幅度谱区段(11)的目标频率范围对应于所述特征频率范围,其中在一致性检验过程(12)中在多个重复的一致性检验步骤中通过所述数据处理系统分别针对每个特征幅度谱区段(10)确定一致性度量,其中所述一致性度量是相应的特征幅度谱区段(10)的幅度谱与所属的目标幅度谱区段(11)的一致性的度量,其中通过所述数据处理系统将其一致性度量超过预先给定的一致性度量值的特征频率范围选择为选择信号频率范围(13),其中在随后的确定步骤(14)中,通过所述数据处理系统为所述选择信号频率范围(13)分别设计选择带通滤波器(15),使得利用相应的选择带通滤波器(15)滤波的信号测量数据系列具有位于相应的选择信号频率范围(13)内的信号分量,并且位于所述相应的选择信号频率范围(13)之外的信号分量从经滤波的信号测量数据系列中被滤出,其中每个选择带通滤波器(13)为每个特征信号传感器(5)构成特征信号滤波器,其中在由所述相应的特征信号传感器(5)记录的特征信号测量数据系列(2)的特征幅度谱区段(10)与所述目标幅度谱区段(11)之间的一致性度量在属于所述相应的选择带通滤波器(13)的特征频率范围中超过所述一致性度量值。
2.根据权利要求1所述的方法,其特征在于,通过所述数据处理系统借助于相关分析确定所述一致性度量。
3.根据权利要求1或2所述的方法,其特征在于,所述带通滤波器优选地具有至少八的滤波器阶数。
4.根据前述权利要求中任一项所述的方法,其特征在于,所述特征幅度谱区段(10)具有预先给定的幅度谱宽度。
5.根据权利要求1至3中任一项所述的方法,其特征在于,通过所述数据处理系统通过以下方式确定所述特征幅度谱区段(10),即所述特征幅度谱(4)在第一子步骤中被划分成两个特征幅度谱区段(10),并且对于每个特征幅度谱区段(10),确定第一一致性度量,并且所述特征幅度谱区段(10)随后在其他子步骤中分别进一步被划分成更小的特征幅度谱区段(10),并且所述一致性度量分别被确定,其中每个特征幅度谱区段(10)在其他子步骤中被划分为新的特征幅度谱区段(10),一直到在在前子步骤与当前子步骤之间的一致性度量的改善小于预先给定的改善值为止。
6.根据前述权利要求中任一项所述的方法,其特征在于,相邻的特征幅度谱区段(10)以预先给定的幅度谱重叠宽度重叠。
7.一种用于确定数学模型(16)的方法,所述数学模型根据多个特征信号传感器(5)的所检测的测量数据为至少一个目标信号传感器(7)映射模型测量数据,其中通过所述特征信号传感器(5)确定的训练输入测量数据系列(19)被映射到至少一个通过至少一个目标信号传感器(7)确定的训练输出测量数据系列(18)上,其中借助于根据在权利要求1至6中的方法设计的特征信号滤波器利用数据处理系统对所述训练输入测量数据系列(19)进行滤波,并且由此构成训练输入数据系列(17),其中能够利用不同地规划的特征信号滤波器对训练输入测量数据系列(19)进行滤波,使得从一个训练输入测量数据系列(19)中构成多个训练输入数据系列(17),并且其中借助于基于数据的模型确定方法(20)基于作为模型输入参量的训练输入数据系列(17)和作为模型输出参量的至少一个训练输出测量数据系列(18)利用所述数据处理系统确定所述数学模型(16)。
8.根据权利要求7所述的方法,其特征在于,通过所述特征信号测量数据系列(2)构成所述训练输入测量数据系列(19)。
9.根据前述权利要求中任一项所述的方法,其特征在于,所述特征信号测量数据系列(2)具有在时间上紧接地依次的特征信号测量数据点,并且因此分别构成所属的特征信号测量原始数据系列(1)的区段,其中所述特征信号测量数据系列(2)的区段具有至少一个预先给定的最小数据点数量,并且其中所述区段通过所述数据处理系统被选择为使得目标信号功率在所选定的区段中是最大的。
10.根据权利要求9所述的方法,其特征在于,为了确定针对目标信号测量原始数据系列(6)的目标信号功率,对于每个目标信号测量原始数据点通过所述数据处理系统确定短时频率幅度谱,其中对于每个短时频率幅度谱确定短时频率幅度功率,其中时间上依次的目标信号测量原始数据点通过所述数据处理系统被联合成目标信号测量原始数据区段,使得时间上紧接地依次的目标信号测量原始数据点的短时频率幅度功率的变化处于预先给定的变化功率以下,并且其中随后通过所述数据处理系统分别为时间上依次的目标信号测量原始数据区段的所有组合构成目标信号功率,所述目标信号测量原始数据区段具有预先给定的最小数据点数量,并且其中所述组合通过所述数据处理系统被选择为其目标信号功率是最大的区段。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
LU500099A LU500099B1 (de) | 2021-04-29 | 2021-04-29 | Modellbildungsverfahren |
LULU500099 | 2021-04-29 | ||
PCT/EP2022/061431 WO2022229364A1 (de) | 2021-04-29 | 2022-04-29 | Modellbildungsverfahren |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117223003A true CN117223003A (zh) | 2023-12-12 |
Family
ID=76624101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280031691.4A Pending CN117223003A (zh) | 2021-04-29 | 2022-04-29 | 建模方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4330845A1 (zh) |
CN (1) | CN117223003A (zh) |
LU (1) | LU500099B1 (zh) |
WO (1) | WO2022229364A1 (zh) |
-
2021
- 2021-04-29 LU LU500099A patent/LU500099B1/de active IP Right Grant
-
2022
- 2022-04-29 CN CN202280031691.4A patent/CN117223003A/zh active Pending
- 2022-04-29 WO PCT/EP2022/061431 patent/WO2022229364A1/de active Application Filing
- 2022-04-29 EP EP22726433.0A patent/EP4330845A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022229364A1 (de) | 2022-11-03 |
EP4330845A1 (de) | 2024-03-06 |
LU500099B1 (de) | 2022-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6313929B2 (ja) | 構造物を監視するための方法及びシステム | |
EP3480455B1 (en) | Wind turbine monitoring device, wind turbine monitoring method, wind turbine monitoring program, and storage medium | |
RU2011126348A (ru) | Обнаружение аномалий в авиационном двигателе | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN106872172B (zh) | 航空发动机试验安全参数监视的实时判别方法及系统 | |
US8355879B2 (en) | Trending of vibration data taking into account torque effect | |
EP2354876B1 (en) | Engine Monitoring | |
CN106052847B (zh) | 对具有旋转的机器组件的机器的监控 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN110866558A (zh) | 一种基于多源数据融合分析的旋转设备状态预警方法 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
CN117223003A (zh) | 建模方法 | |
JP3515300B2 (ja) | プラント状態予測装置 | |
US11449781B2 (en) | Plant abnormality prediction system and method | |
CN110516403B (zh) | 一种船舶设备智能功能的验证方法及系统 | |
CN114329905B (zh) | 全范围模拟机可信度评估方法、装置及计算机设备 | |
CN109711036B (zh) | 飞行控制系统试验结果的评估方法 | |
CN111272457A (zh) | 基于温度数据的机械状态检测方法和电子设备 | |
CN115879405B (zh) | 电路性能的检测方法及计算机存储介质和终端设备 | |
CN113627088B (zh) | 基于基因编程和数据融合的机器性能退化评估方法及系统 | |
US6959688B2 (en) | Method for monitoring engine order forcing frequency | |
Roztočil et al. | Fault diagnosis of rotating machinery based on wavelet transforms and neural network | |
Leandro Cabral et al. | Automated classification of tribological faults of alternative systems with the use of unsupervised artificial neural networks | |
KR20050081630A (ko) | 인공신경망을 사용한 동적신호의 스펙트럼 패턴 비교를통한 구조물의 상태평가기법 | |
CN107192550A (zh) | 阶次分析系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |