RU2736526C1

RU2736526C1 - Способ и устройство для сжатия данных

Info

Publication number: RU2736526C1
Application number: RU2020100046A
Authority: RU
Inventors: Алексей Петрович КОЗИОНОВ; Олег Владимирович МАНГУТОВ; Илья Игоревич Мохов
Original assignee: Сименс Акциенгезельшафт
Priority date: 2017-06-30
Filing date: 2017-06-30
Publication date: 2020-11-17
Also published as: EP3646466A1; US10840942B2; ES2963225T3; WO2019004858A1; DK3646466T3; EP3646466B1; US20200220554A1

Abstract

Группа изобретений относится к области кодирования и может быть использована для сжатия данных, которые представляют зависящий от времени сигнал. Техническим результатом является увеличение сжатия данных. Способ содержит следующие этапы: прием множества спектров S_i(f), причем каждый спектр соответствует одному из зависящих от времени элементов сигнала A_i(t), где каждый спектр S_i(f) содержит множество частот f_j и множество амплитуд a_j,i множества частот f_j; генерация записи сжатых данных (CDS); определение соответствующего множества коэффициентов (ARC) авторегрессионной модели для множества амплитуд a_j,i каждой из множества частот f_j; и создание записи сжатых данных (CDS), при этом запись сжатых данных (CDS) содержит, по меньшей мере, множество коэффициентов (ARC) и частоты f_j, связанные с коэффициентами (ARC). 2 н. и 13 з.п. ф-лы, 10 ил.

Description

Изобретение относится к способу сжатия данных, представляющих собой зависящий от времени сигнал, притом, что зависящий от времени сигнал содержит множество зависящих от времени элементов сигнала. Способ включает в себя этапы приема множества спектров, где каждый спектр соответствует одному из зависящих от времени элементов сигнала, и где каждый спектр содержит множество частот и множество амплитуд множества частот. Способ дополнительно содержит этапы формирования записи сжатых данных. Изобретение дополнительно относится к компьютерному программному продукту и к блоку обработки сигналов, который настроен для сжатия данных в соответствии со способом, описанным в изобретении.

Сжатие данных играет важную роль в управлении большими объемами данных. Например, большие объемы данных накапливаются в современных технических системах для мониторинга технической системы. Управление данными, которое частично происходит в месте расположения технической системы, а частично - удаленно от нее, включает хранение и передачу данных. Эффективное управление данными обеспечивается с помощью интеллектуальных технологий сжатия данных, в результате чего, во-первых, может быть уменьшено пространство, необходимое для хранения данных, а во-вторых, может быть уменьшена полоса пропускания, необходимая для передачи данных.

В случае непрерывного потока данных, представляющего собой зависящий от времени сигнал, собранный во время непрерывного мониторинга технической системы, например, при контроле вибрации машины, во время ее работы, для обработки и хранения преобразований Фурье, то есть спектров зависящего от времени сигнала, требуется большой объем памяти. Стандартные способы сжатия спектров данных включают, например, универсальные инструменты сжатия без потерь (такие как ZIP) или использование кодирования, оптимизированного по памяти. Однако коэффициенты сжатия, то есть отношение объема памяти, необходимого для хранения сжатых данных, к объему памяти для данных измерений, сравнительно низки. Поэтому существует необходимость в более совершенных способах сжатия данных.

В WO 2013/141741 А1 раскрыт способ сжатия данных, которые представляют зависящий от времени сигнал, содержащий множество зависящих от времени элементов сигнала. Этот способ включает множество принимаемых спектров, причем каждый спектр соответствует одному из зависящих от времени элементов сигнала. Каждый спектр содержит множество частот и множество амплитуд множества частот. Множество амплитуд нормируется для каждого спектра, чтобы получить нормированные амплитуды. Нормированные амплитуды обрабатываются на основе распределения нормированных амплитуд с учетом различных пороговых значений. На этой основе создается запись сжатых данных.

Задача изобретения заключается в определении способа сжатия данных и блока обработки сигналов, которые дополнительно увеличивают сжатие данных.

Эти цели достигаются способом в соответствии с характеристиками пункта 1 и блоком обработки сигналов в соответствии с характеристиками пункта 14. Преимущественные конфигурации получены из зависимых пунктов формулы изобретения.

В изобретении предлагается способ сжатия данных D(nT), которые представляют зависящий от времени сигнал A(t). Зависящий от времени сигнал A(t) содержит множество зависящих от времени элементов сигнала A_i(t). Прежде всего, принимается множество спектров S_i(f), причем каждый спектр S_i(f) соответствует одному из зависящих от времени элементов сигнала A_i(t). Каждый спектр S_i(f) содержит множество частот f_j и множество амплитуд a_j,i множества частот f_j. Кроме того, создается запись сжатых данных. Способ отличается тем, что для множества амплитуд a_j,i каждой из множества частот f_j устанавливается соответствующее множество (набор) коэффициентов авторегрессионной модели. После этого генерируется запись сжатых данных, содержащая, по меньшей мере, множество коэффициентов и частоты f_j, связанные с коэффициентами.

Запись сжатых данных может быть использована для значительного сокращения больших объемов данных. Это включает значительное сокращение объема памяти, необходимого для хранения данных. Кроме того, полоса пропускания, необходимая для передачи зафискированных данных в форме записи сжатых данных, является низкой, а это означает, что получение и фиксация данных может происходить в одном месте, а дальнейшая их обработка - в другом.

В соответствии с одной целесообразной конфигурацией для каждого из зависящих от времени элементов сигнала A_i(t) генерируется временная метка t_i. Временная метка t_i представляет собой время, в которое был зафиксирован соответствующий зависящий от времени элемент сигнала A_i(t). Временная метка t_i может использоваться для определения порядка появления зависящих от времени элементов сигнала A_i(t). Это позволяет выполнить индексацию множества амплитуд a_j,i для каждого спектра и последующую обработку указанных амплитуд с целью определения соответствующего множества коэффициентов.

В соответствии с еще одной целесообразной конфигурацией множество коэффициентов (количество коэффициентов) варьируется на основе классификационного значения. Классификационное значение представляет состояние работоспособности технической системы. Классификационное значение устанавливается путем обработки спектров S_i(f). Технической системой может быть, например, двигатель, турбина и тому подобное. Состояние работоспособности технической системы указывает, нормально ли она работает или находится в необычном состоянии. Необычным состоянием такого рода может быть, например, возникновение необычных или непропорционально высоких вибраций и тому подобного.

В соответствии с дальнейшей целесообразной конфигурацией, дополнительный этап включает в себя определение классификационного значения путем сравнения множества спектров S_i(f), по меньшей мере, с одним пороговым значением. По меньшей мере, одно пороговое значение может быть заранее оговорено на основе экспериментов или определено численно. Например, одно или несколько пороговых значений могут использоваться для определения того, находятся ли колебания в технической системе в стандартном диапазоне, во все еще допустимом диапазоне или в недопустимом диапазоне.

В соответствии с дальнейшей целесообразной конфигурацией, дополнительный этап включает в себя первое классификационное значение, которое представляет первое, в частности дефектное, состояние работоспособности технической системы, что побуждает к определению первого, в частности - большего множества коэффициентов. Это гарантирует, что это множество коэффициентов может быть использовано для максимально точного воспроизведения спектров, определенных по зависящему от времени сигналу.

В соответствии с дополнительной конфигурацией, следующий этап включает в себя второе классификационное значение, которое представляет собой второе, в частности - исправное, состояние технической системы, что побуждает определить второе множество коэффициентов, меньшее по сравнению с первым множеством. В результате, когда состояние технической системы «хорошее», возможно сравнительно грубое воспроизведение множества спектров с использованием сравнительно небольшого количества классификационных значений, а это означает, что объем доступных данных после выполнения определения множества коэффициентов регрессивной модели может быть уменьшен до максимальной степени.

Другими словами, это означает, что степень сжатия регулируется в зависимости от состояния технической системы. Когда техническая система находится в неисправном состоянии, выбирается низкая степень сжатия, тогда как при нормальном поведении технической системы выбирается высокая степень сжатия. В конечном итоге это позволяет - когда сжатие данных рассматривается в течение более длительного периода - сжимать данные в максимально возможной степени.

В соответствии с дополнительной целесообразной конфигурацией первое и/или второе множество коэффициентов авторегрессионной модели определяется информационным критерием Акаике (AIC).

В соответствии с одной альтернативной конфигурацией первое и/или второе множество коэффициентов авторегрессионной модели определяется байесовским информационным критерием (BIC).

В соответствии с дополнительной альтернативной конфигурацией первое и/или второе множество коэффициентов авторегрессионной модели определяется так, что первое и/или второе множество коэффициентов соответствует множеству частот f_j. Последнее может быть выполнено вручную оператором.

В соответствии с дополнительной целесообразной конфигурацией, в качестве дополнительного этапа, выполняется определение восстановленных данных D'(nT) из записи сжатых данных. Чтобы иметь возможность оценивать показатель качества сжатия, можно, кроме того, предусмотреть определение коэффициента корреляции между исходными данными D(nT) и восстановленными данными D'(nT). Коэффициент корреляции может быть установлен во время мониторинга технической системы, причем это происходит, в частности, перед передачей сжатых данных в удаленный вычислительный блок. Если восстановление данных D(nT) получается из восстановленных данных D'(nT) с недостаточной согласованностью, тогда можно повторить сжатие с использованием большего множества (числа) коэффициентов. По существу, коэффициент корреляции также можно использовать для предварительной оптимизации способа сжатия, так что уже подходящее количество коэффициентов корреляции определяется на основе состояния технической системы.

В соответствии с еще одной целесообразной конфигурацией реконструируемый спектр S_i'(f) определяется по множеству коэффициентов в записи сжатых данных на временную метку t_i. Реконструируемый спектр S_i'(f) затем может быть использован для анализа технической системы. При условии, что имеется достаточно хорошая корреляция со спектрами, определенными по данным D(nT), можно провести квалифицированную оценку состояния технической системы.

В соответствии с еще одной целесообразной конфигурацией реконструируемый спектр S_i'(f) определяется, по меньшей мере, для одной из временных меток t_i. В частности, может быть предусмотрено, что реконструируемый спектр S_i'(f) будет определяться для каждой из временных меток t_i.

Изобретение также предлагает компьютерный программный продукт, который может быть загружен непосредственно во внутреннюю память блока цифровой обработки сигналов и который содержит программные секции кода, используемые для выполнения этапов способа, описанного в этом документе, когда продукт работает на блоке обработки сигналов. Компьютерный программный продукт может быть реализован в форме DVD, CD-ROM, карты памяти USB и т.п. Однако компьютерный программный продукт также может быть доступен в виде хранимой программы, которую можно загружать по беспроводной связи или через проводное соединение.

Дополнительно предлагается блок обработки сигналов, который настроен для сжатия данных D(nT) в соответствии со способом, описанным в этом документе. Блок обработки сигналов содержит блок приема, блок определения коэффициента авторегрессии и блок памяти. Блок приема предназначен для приема множества спектров S_i(f). Блок определения коэффициента авторегрессии предназначен для определения соответствующего множества коэффициентов авторегрессионной модели для множества амплитуд a_j,i каждой из множества частот f_j. Блок памяти предназначен для хранения записи сжатых данных.

В соответствии с одной целесообразной конфигурацией блок обработки сигналов дополнительно содержит блок корреляции для определения коэффициента корреляции между данными D(nT) и восстановленными данными D'(nT).

В соответствии с дополнительной целесообразной конфигурацией блок обработки сигналов содержит спектральный блок для каждого из зависящих от времени сигналов A_i(t) для вычисления соответствующего спектра S_i(f).

Изобретение для сжатия данных, которые представляют зависящий от времени сигнал A_i(t), теперь будет описано со ссылкой на приложенные чертежи. Чертежи и варианты осуществления, описанные ниже, используются для описания примерного варианта осуществления, но не ограничиваются этим. На рисунках ниже одинаковые элементы отмечены одинаковыми условными обозначениями. На чертежах:

На фиг. 1 показано схематическое изображение системы мониторинга состояния, которая содержит блок сбора данных и блок формирования сигнала;

На фиг. 2 показаны данные, которые представляют зависящий от времени сигнал;

На фиг. 3 показаны различные модули блока формирования сигнала;

На фиг. 4 показано множество спектров;

На фиг. 5 показан массив амплитуд;

На фиг. 6 показана блок-схема последовательности операций, иллюстрирующая различные этапы способа в соответствии с изобретением;

На фиг. 7 показана блок-схема последовательности операций, которая иллюстрирует дополнительный подаспект способа в соответствии с изобретением в виде блок-схемы;

На фиг. 8 показан временной профиль зависящей от времени амплитуды быстрого преобразования Фурье данных измерений и сжатых данных;

На фиг. 9 показана степень сжатия, которая иллюстрирует сжатие на основе множества коэффициентов авторегрессии; а также

На фиг. 10 показан профиль коэффициента R² на основе числа коэффициентов корреляции.

На фиг. 1 показана система мониторинга состояния 10 для мониторинга работоспособности технической системы 20, например, двигателя.

Система мониторинга состояния 10 содержит блок сбора данных 30 и блок обработки сигналов 40. Блок сбора данных 30 фиксирует зависящий от времени сигнал A(t) 45, который представляет собой непрерывный сигнал (характеризуемый независимой переменной времени «t»), который, например, относится к вибрациям двигателя 20. Блок сбора данных 30 обеспечивает блок обработки сигналов 40 данными D(nT) 65. Данные D(nT) 65 представляют собой дискретное время (характеризуемое независимой переменной «nT») зависящего от времени сигнала A(t) 45, который постепенно обрабатывается для сжатия данных D(nT) 65.

Блок сбора данных 30 содержит датчик 31, блок формирования сигнала 32 и аналого-цифровой преобразователь 33 (АЦП), Датчик 31 фиксирует зависящий от времени сигнал A(t) 4 5 и делает его доступным блоку формирования сигнала 32 для обработки. Блок формирования сигнала 32 преобразует зависящий от времени сигнал A(t) 4 5 и делает преобразованный зависящий от времени сигнал A'(t) доступным для аналого-цифрового преобразователя 33. Аналого-цифровой преобразователь 33 оцифровывает преобразованный зависящий от времени сигнал A'(t), в результате чего генерируются данные D(nT) 65. Они предоставляются блоку обработки сигналов 40, в котором данные D(nT) 65 представляют зависимый от времени сигнал A(t).

Зависимый от времени сигнал A(t) 45 может постоянно (непрерывно) регистрироваться блоком сбора данных 30. Этот сигнал можно рассматривать как множество зависящих от времени элементов сигнала A_i(t) (где i=1, …, NoS) 46-50 (см. рис. 2). Зависящие от времени элементы сигнала A_i(t) можно рассматривать как зависящий от времени сигнал A(t) 45,-зафиксированный в течение множества различных временных интервалов Δt_i (где i=1, …, NoS) 51-55 или как зависящий от времени сигнал A(t) 45, предоставляемый окнами во временной области, причем интервалы окон соответствуют временным интервалам Δt_i 51-55.

Альтернативно, модуль сбора данных 30 может захватывать зависящий от времени сигнал A(t) 45 в течение временных интервалов Δt_i 51-55, используя временную область, предоставляемую в виде окон, в результате чего зависящий от времени сигнал A(t) 45 можно рассматривать как последовательный захват элементов сигнала A_i(t) 46-50.

Периоды временных интервалов Δt_i 51-55 могут задаваться пользователем или определяться фиксированным либо переменным образом, в зависимости от типа зависящего от времени сигнала A(t) 45, требований к обработке сигналов, свойств блока сбора данных 30 и/или блока обработки сигналов 40 и т.д. Периоды могут быть микросекундами, миллисекундами или секундами. Временные интервалы Δt_i 51-55 всегда непрерывны. Однако они могут также перекрываться или отделяться друг от друга определенными временными интервалами.

В настоящем описании термин «элемент сигнала» определяется как часть зависящего от времени сигнала A(t) 45, который был зафиксирован блоком сбора данных 30 в течение соответствующих временных интервалов Δt_i 51-55.

В этом описании «NoS» является безразмерной величиной и означает мощность множества элементов сигнала A_i(t) 46-50, которые были зафиксированы в течение временных интервалов Δt_i 51-55 и в общей форме образуют зависящий от времени сигнал A(t) 45. Другими словами, NoS представляет количество элементов сигнала A_i(t).

Определяется множество временных меток t_i (где i=1, …, NoS) 56-60 из зависящего от времени сигнала A(t) 45, причем каждая временная метка t_i 56-60 представляет время начала для соответствующего элемента сигнала A_i(t) 46-50, который был зафиксирован в течение интервалов времени Δt_i 51-55. Например, временная метка t_i 56 обозначает начальное время для сигнального элемента A_i(t) 46.

Данные D(nT) 56 представляют собой дискретное по времени представление зависящего от времени сигнала A(t) 45. По этой причине элементы сигнала A_i(t) 46-50 дают в результате множество дискретных элементов сигнала D_i(nT) (i=1, …, NoS; n=1, …, NoP) 66-70 (см. фиг. 2, нижний график), в котором элементы данных D_i(nT) 66-70 соответствуют данным D(nT) 65, доступным во временных интервалах Δt_i 51-55. Элементы данных D_i(nT) 66-70 также могут быть получены с помощью разбиения на окна дискретной временной области зависящего от времени сигнала A(t) 45. По этой причине данные D(nT) 65 содержат дискретные представления множества элементов сигнала A_i(t) 51-55, то есть элементов данных D_i(nT) 66-70. Кроме того, данные D(nT) 65 также могут представлять собой цифровое представление эквивалента зависящего от времени сигнала A(t) 45 в дискретном времени.

В этом описании «NoP» является безразмерной единицей и относится к мощности множества отсчетов, которые содержатся в каждом элементе дискретного по времени сигнала D_i(nT) 66-70. «NoP» также согласуется с мощностью множества частот, которое можно определить с помощью NoP-точечного дискретного преобразования Фурье (ДПФ), примененного к элементам данных D_i(nT) 66-70.

«NoP» можно изменять для элементов данных D_i(nT) 66-70 путем изменения частоты дискретизации аналого-цифрового преобразователя 33. «NoP» также может быть изменено заполнением нулями, а также продолжительностью временных интервалов Δt_i 51-55, которые могут быть изменены на основе эффекта изменения «NoP». Изменение «NoP» соответственно изменяет мощность множества числа частот, которая определяется с помощью NoP-точечного дискретного преобразования Фурье.

Временные метки t_i 56-60 также представляют время начала элементов данных D_i(nT) 66-70. Следовательно, временные метки t_i 56-60 содержат информацию, касающуюся времени фиксации элементов данных D_i(nT) 66-70, то есть времени начала для временных интервалов Δt_i 51-55, и, следовательно, являются предпочтительными для сжатия данных D(nT) 65, а также для восстановления данных D(nT) 65. Временные метки t_i 56-60 также могут представлять периоды, для которых были получены соответствующие элементы сигнала A_i(t) и элементы данных D_i(nT).

Блок обработки сигналов 40, который схематически изображен на фиг. 3, содержит процессор 90 и блок памяти 100 для хранения сжатых данных. Для дальнейших объяснений на фиг.4 выбраны значения NoP=6 и NoS=5.

Процессор 90 содержит спектральный блок 105, блок приема спектральных данных 130, блок определения коэффициента авторегрессии 140 и необязательный блок корреляции 150. Вышеупомянутые блоки 105, 130, 140 и 150 предназначены и установлены для сжатия данных D(nT).

Спектральный блок 105 принимает элементы данных D_i(nT) 66-70 и вычисляет множество спектров S_i(f) (где i=1, …, NoS) 106-110. Спектральный блок 105 вычисляет спектры S_i(f) 106-110 как множество NoP-точечных дискретных преобразований Фурье (ДПФ). Множество спектров S_i(f) 106-110 содержит множество частот f_j (где j=1, …, NoP) 111-116 и множество амплитуд a_j,i (где j=1, …, NoP; i=1, …, NoS) 121-126 частот f_j 111-116. Вычисленные амплитуды a_j,i 121-126 связаны с частотами f_j 111-116 и масштабами пропорций множества частот f_j 111-116 в элементах сигнала A_i(t) 46-50. Связь амплитуд a_j,i 121-126 с частотами f_j 111-116 является определением, которое специалист в данной области техники знает для спектра зависящего от времени сигнала, то есть амплитуды являются измерением доли соответствующей частоты относительно подчиненного сигнала, зависящего от времени.

Схематическая работа спектрального блока 105 обозначена позицией «105» на рис. 4. Для каждого спектра S_i(f) 106-110 горизонтальная ось "f" представляет "частоту" (f_j 111-116). Вертикальная ось "А" представляет "амплитуду", то есть амплитуды a_j,i 121-126 частот f_j 111-116 базового зависимого от времени сигнала A(t).

Работа спектрального блока 105 поясняется ниже. Элементы данных D_i(nT) 66-70 принимаются блоком обработки сигналов 40 и сохраняются в буфере как блоки данных определенной длины в блоке памяти 100. Каждый блок данных соответствует каждому из элементов данных D_i(nT) 66-70, которые были захвачены в течение каждого из временных интервалов Δt_i 51-55. Каждый блок данных снабжен соответствующей временной меткой t_i 56-60 для идентификации начального времени фиксации элементов данных D_i(nT) 66-70. Блоки данных, которые соответствуют элементам данных D_i(nT) 66-70, затем принимаются и обрабатываются с целью вычисления спектров S_i(f) 106-110.

В описанном здесь примерном варианте осуществления амплитуды a_j,i 121-126 и частоты f_j 111-116 спектров S_i(f) 106-110 изображены как двумерные массивы амплитуд 128 (см. фиг. 5), содержащие строки и столбцы. Например, показанный на фиг. 5 массив содержит NoP строк, которые представляют NoP частот f_j 111-116, и NoS столбцов, которые представляют NoS элементов данных D_i(nT) 66-70.

Каждый из спектров S_i(f) 106-110 вычисляется соответствующими элементами данных D_i(nT) 66-70. По этой причине «NoS» также представляет количество спектров.

Блок приема спектральных данных 130 принимает спектры S_i(f) 106-110 от спектрального блока 105. Блок приема спектральных данных 130 генерирует вектор амплитуд a_j,i 121-12 6 и одну из частот f_j 111-116, содержащихся в спектрах S_i(f) 106-110. Это связывает вектор a_j,i 121-126 с соответствующей меткой времени t_i 65-60.

В массиве амплитуд 128 каждый столбец «i» из NoS столбцов обозначается соответствующей временной меткой t_i 65-60, которая относится к соответствующим элементам данных D_i(nT) 66-70. Соответственно, каждая строка «j» из NoP строк обозначается соответствующей частотой f_j 111-116. Например, первый столбец идентифицируется временной меткой t_i 5 6 и содержит все амплитуды a_j,i 121-126 частот f_j 111-116, которые были рассчитаны на основе спектров S_i(f) 106. Соответственно, первая строка идентифицируется как f₁ 111 и содержит все амплитуды a_j,i 121-126 частоты f₁ 111, которые были рассчитаны на основе числа спектров S_i(f) 106-110.

На фиг. 5 показан пример массива амплитуд 128 для пяти спектров S_i(f) 106-111 (NoS=5) и шести частот f_j 111-116 (NoP=6), которые генерируются блоком приема спектральных данных 130. Значения столбцов от a_1,1 121 до а_6,1 126 представляют, в качестве примера, значения шести частот - от f₁ 111 до f₆ 116, которые были определены спектром S₁(f) 106 и вычислены для элементов данных D₁(nT) 66 с отметкой времени t₁ 56. Значения столбцов от а_3,1 123 до а_3,5 123 представляют значения третьей частоты f₃ 113, которые были определены спектром с S_i(f) 106 по S₅(f) 110 и соответственно рассчитаны для элементов данных с D₁(nT) 66 по D₅(nT) 70, и каждая из них имеет метку времени от t₁ 56 до t₅ 60.

Объем данных, накапливающихся в процессе, может быть очень большим. Чтобы иметь возможность уменьшить объем памяти, необходимый для хранения, а также полосу пропускания, необходимую для передачи, предусмотрена возможность сжатия. После того как был определен массив амплитуд 128, как описано выше, способ, описанный на фиг. 6, используется для выполнения дальнейшей обработки.

На этапе 300 определяются спектры S_i(f) 106-110, как описано выше, так что множество амплитуд a_j,i 121-12 6 каждой из множества частот f_j 111-116 доступна для каждой временной отметки t_i 56-60.

Этап 310 включает в себя соответствующее множество коэффициентов авторегрессионной модели для множества амплитуд a_j,i 121-126 каждой из множества частот f_j 111-116, устанавливаемых для каждого спектра S_i(f) 106-110. Это означает, что множество коэффициентов выбранной авторегрессионной модели вычисляется для значений столбцов от a_1,1 121 до а_6,1 126, притом что значения шести частот - от f₁ 111 до f₆ 116 - были определены для спектра S₁(f) 106, для элементов данных D₁(nT) 66 и для метки времени t₁ 56. Таким образом, соответствующая процедура используется для дальнейших спектров с S₂(f) 107 по S₅(f) 110.

На этапе 320 все коэффициенты авторегрессионной модели сохраняются в блоке памяти 100 в виде записи сжатых данных CDS. Альтернативно или дополнительно, установленные коэффициенты авторегрессионной модели для множества амплитуд a_j,i 121-126 каждой из множества частот f_j 111-116 спектров S_i(f) 106-110 (т.е. записи сжатых данных CDS) также могут быть переданы через линию связи, которая не показана на чертежах, в приемник, который также не показан, для хранения и дальнейшей обработки.

Поскольку для дальнейшего анализа требуются все накапливаемые данные (то есть коэффициенты авторегрессии, полученные с использованием вышеописанного метода), возможно, что этот, иногда все еще остающийся значительным, объем данных будет дополнительно уменьшен с использованием метода, описанного на фиг. 7. Это дальнейшее сокращение основано на классификационном значении, которое представляет собой состояние технической системы. Это подтверждается обработкой спектров S_i(f) 106-110, определенных на этапе 300. Адаптация степени сжатия, на которую можно влиять посредством выбранного множества коэффициентов авторегрессионной модели для множества амплитуд каждой из множества частот, затем выполняется на основе классификационного значения.

Способ адаптации начинается с этапа 400. На этапе 410 определяется количество спектров S_i(f) 106-110 и результирующий массив амплитуд 128, как было объяснено выше.

На этапе 420 классификационное значение определяется путем сравнения множества спектров S_i(f) 106-110 с пороговым значением. Пороговое значение может быть определено заранее с помощью экспериментов или численного моделирования. Пороговое значение может использоваться для определения того, есть ли неисправность в технической системе, например, чрезмерно сильные вибрации двигателя 20, или же техническая система находится в исправном состоянии. С этой целью можно предусмотреть первое классификационное значение, которое представляет первое, дефектное состояние технической системы, то есть двигателя 20. Второе классификационное значение может быть связано со вторым, исправным состоянием технической системы, то есть двигателя 20.

На этапе 430 выполняется проверка, чтобы определить, какое из классификационных значений доступно. Если доступно первое классификационное значение, то делается заключение о дефектном состоянии технической системы, и способ продолжается с этапа 440. Если было установлено второе классификационное значение, которое представляет второе, исправное (то есть безотказное) состояние работоспособности технической системы, то способ продолжается с этапа 450.

На этапе 440, который выполняется при первом, дефектном, состоянии работоспособности технической системы, определяется первое, большее множество коэффициентов авторегрессионной модели для множества амплитуд a_j,i 121-126 каждой из множества частот f_j 111-116. Это обеспечивает сравнительно более низкую степень сжатия для данных D(nT).

На этапе 450, который выполняется при втором, не дефектном, состоянии работоспособности технической системы, определяется второе множество коэффициентов авторегрессионной модели для множества амплитуд a_j,i 121-126 каждой из множества частот f_j 111-116, причем второе множество коэффициентов (существенно) меньше по сравнению с первым множеством коэффициентов. При этом достигается сравнительно более высокая степень сжатия.

Хотя настоящий примерный вариант осуществления был предоставлен просто для того, чтобы различать неисправное и исправное состояние работоспособности технической системы, определение множества пороговых значений позволяет выполнять более точную классификацию различных состояний неисправности технической системы. Шкала состояния работоспособности затем берется за основу при выборе множества (количества) коэффициентов авторегрессионной модели для множества амплитуд a_j,i 121-126 каждой из множества частот f_j 111-116.

После определения коэффициентов авторегрессионной модели для кратности амплитуд a_j,i 121-126 каждой из множества частот f_j 111-116 способ заканчивается на этапе 460.

Первое и/или второе множество коэффициентов авторегрессионной модели может быть определено различными способами. С этой целью можно, например, использовать известный информационный критерий Акаике (AIC) или известный байесовский информационный критерий (BIC). Аналогичным образом оператор может принять решение вручную, поскольку он может выбрать схему, то есть множество коэффициентов авторегрессионной модели, так что это число будет соответствовать множеству частот f_j. В описанном выше примерном варианте осуществления это будет соответствовать числу «6».

Чтобы иметь возможность выполнять анализ данных и визуализацию сжатых данных на основе коэффициентов авторегрессионной модели (т.е. записи сжатых данных CDS), спектры могут быть восстановлены из коэффициентов для соответствующей временной отметки t_i 56-60. С этой целью по множеству коэффициентов в записи сжатых данных CDS на временную метку t_i 56-60 определяется реконструируемый спектр S_i'(f). Эта реконструкция может использоваться, в частности, также для шумоподавления исходного спектра S_i(f) 106-110. Примерный вариант осуществления показан на фиг. 8, который иллюстрирует амплитуду А установленного спектра S_i(f) по сравнению с реконструируемым спектром S_i'(f) для временной метки t_i. Хорошо видно, что реконструированный спектр S_i'(f) соответствует прогнозу первоначально определенного спектра S_i(f). Прогноз тем точнее, чем больше множество коэффициентов авторегрессионной модели, выбранной для сжатия.

Этот подход, описанный здесь, может быть использован для любого спектра S_i(f) и любой временной метки t_i.

На фиг. 9 и 10 показана эффективность предлагаемого способа в качестве, примера. Эффективность метода оценивается по коэффициенту сжатия К и так называемому «коэффициенту детерминации» R².

Коэффициент сжатия К - это отношение начального количества входных значений к количеству значений, которые необходимо сохранить после сжатия. Поэтому он может быть вычислен из отношения размера входных данных к размеру сжатых данных. В результате, на основании множества коэффициентов ARC регрессивной модели, мы получаем профиль, показанный на фиг. 9, в котором коэффициент сжатия К изображен по количеству коэффициентов ARC, используемых для сжатия.

R² указывает, насколько хорошо точки данных вписываются в статистическую модель, такую как линия или кривая. R² определяется следующим образом:

Здесь σ обозначает дисперсию ошибки модели, а σ_у обозначает дисперсию в реальном спектре S_i(f). На фиг. 10 показан коэффициент R² в зависимости от количества коэффициентов ARC, использованных для сжатия. Из этого ясно видно, что значительное сжатие спектра достигается только с небольшим числом коэффициентов ARC авторегрессионной модели.

Предложенный метод позволяет осуществлять адаптивное сжатие, основанное на фактическом состоянии технической системы. Сжатие спектров, установленное известным способом путем представления с использованием множества коэффициентов авторегрессионной модели, обеспечивает высокие степени сжатия. В то же время восстановление первоначально определенных спектров по количеству коэффициентов авторегрессионной модели может включать в себя выполняемую фильтрацию, причем мощность фильтра зависит от числа коэффициентов, ранее использовавшихся для сжатия.

Данные, сжатые с использованием описанного способа, могут быть сохранены в виде записи сжатых данных CDS и/или переданы в другой вычислительный блок для дальнейшей обработки.

Список условных обозначений

10 Система мониторинга состояния

20 Двигатель

30 Блок сбора данных

31 Датчик

32 Блок формирования сигнала

33 Аналого-цифровой преобразователь

40 Блок обработки сигналов

45 Зависимый от времени сигнал A(t)

46-50 Множество зависящих от времени элементов сигнала A_j(t)

51-55 Множество временных интервалов Δt_i

56-60 Множество значений времени t_j (метки времени)

65 Данные D(nT)

66-70 Множество дискретных по времени элементов сигнала D_j(nT)

90 Процессор

100 Блок памяти

105 Спектральный блок

106-110 Множество спектров S_i(f)

111-116 Множество частот f_j

121-126 Множество амплитуд a_j,i

128 Массив амплитуд

130 Блок приема спектральных данных

140 Блок определения коэффициента авторегрессии

150 Блок корреляции

300, 310, 320, 400, 410, 420, 430, 440, 450, 460 Этап метода

Claims

1. Способ сжатия данных D(nT) (65), которые представляют зависящий от времени сигнал A(t) (45), при этом зависящий от времени сигнал A(t) (45) содержит множество зависящих от времени элементов сигнала A_i(t) (где i=1, …, NoS) (46-50), состоящий из следующих этапов:

- прием множества спектров S_i(f) (где i=1, …, NoS) (106-110), причем каждый спектр S_i(f) (106-110) соответствует одному из зависящих от времени элементов сигнала A_i(t) (46-50), при этом каждый спектр S_i(f) (106-110) содержит множество частот f_j (где j=1, …, NoP) (111-116) и множество амплитуд a_j,i (где j=1, …, NoP и i=1, …, NoS) (121-126) множества частот f_j (111-116);

- создание записи сжатых данных (CDS),

отличающийся тем, что содержит следующие этапы:

- установление соответствующего множества коэффициентов (ARC) модели авторегрессии для множества амплитуд a_j,i (121-126) каждой из множества частот f_j (111-116);

- генерация записи сжатых данных (CDS), при этом запись сжатых данных (CDS) содержит по крайней мере множество коэффициентов (ARC) и частоты f_j (111-116), связанные с коэффициентами (ARC).

2. Способ согласно п. 1, в котором для каждого из зависящих от времени элементов сигнала A_i(t) (46-50) генерируется метка времени t_i (где i=1, …, NoS) (56-60), при этом метка времени t_i (56-60) представляет собой время, в которое был зафиксирован соответствующий зависящий от времени элемент сигнала A_i(t) (46-50).

3. Способ согласно п. 2, в котором множество коэффициентов (ARC) варьируется на основе классификационного значения, причем такое классификационное значение представляет состояние работоспособности технической системы и устанавливается путем обработки спектров S_i(f) (106-110).

4. Способ согласно п. 3, в котором дальнейший этап включает в себя установление классификационного значения путем сравнения множества спектров S_i(f) (106-110) по меньшей мере с одним пороговым значением.

5. Способ согласно п. 4, в котором дальнейший этап включает в себя первое классификационное значение, которое представляет первое - в частности, дефектное - состояние работоспособности технической системы, что побуждает устанавливать первое большее множество коэффициентов (ARC).

6. Способ согласно п. 5, в котором дальнейший этап включает в себя второе классификационное значение, которое представляет второе - в частности, исправное - состояние работоспособности технической системы, что побуждает устанавливать второе меньшее по сравнению с первым множество коэффициентов (ARC).

7. Способ согласно п. 6, в котором первое и/или второе множество коэффициентов (ARC) авторегрессионной модели определяется информационным критерием Акаике (AIC).

8. Способ согласно п. 6, в котором первое и/или второе множество коэффициентов (ARC) авторегрессионной модели определяется байесовским информационным критерием (BIC).

9. Способ согласно п. 6, в котором первое и/или второе множество коэффициентов (ARC) авторегрессионной модели определяется так, что первое и/или второе множество коэффициентов (ARC) соответствует множеству частот f_j (111-116).

10. Способ согласно п. 6, в котором в качестве дополнительного этапа определяются восстановленные данные D'(nT) из записи сжатых данных (CDS).

11. Способ согласно п. 10, в котором реконструированный спектр S_i' (f) определяется по множеству коэффициентов (ARC) в записи сжатых данных (CDS) на метку времени t_i (56-60).

12. Способ согласно п. 11, в котором реконструированный спектр S_i' (f) определяется, по меньшей мере, для одной из временных меток t_i (56-60).

13. Блок обработки сигналов, который настроен на сжатие данных D(nT) (65) в соответствии с одним из пп. 1-12, содержащий:

- блок приема (130) для приема множества спектров S_i(f) (где i=1, …, NoS) (106-110);

- блок определения коэффициента авторегрессии (140) для определения соответствующего множества коэффициентов (ARC) авторегрессионной модели для множества амплитуд a_j,i каждой из множества частот f_j (111-116);

- блок памяти (100) для хранения записи сжатых данных (CDS).

14. Блок обработки сигналов согласно п. 13, дополнительно содержащий:

- блок корреляции (150) для определения коэффициента корреляции между данными D(nT) (65) и восстановленными данными D'(nT).

15. Блок обработки сигналов согласно п. 14, дополнительно содержащий

- спектральный блок (105) для каждого из зависящих от времени элементов сигнала A_i(t) (46-50) для вычисления соответствующего спектра S_i(f) (106-110).