【正文】 瞬態(tài)數(shù)據(jù) 移除電源干擾信號 頻率變換 7 分析處理 1可視化 高維數(shù)據(jù)分析 5維機械加工數(shù)據(jù) 自動信號檢測 分析方案 1可視化的結(jié)論 8 分析處理 2信號處理分析 構(gòu)建信號系統(tǒng) 波形分析信號 分析結(jié)論 9 分析處理 3基于模板分析的數(shù)據(jù)分析 構(gòu)建普通信號模板 使用模 板分析捕獲信號的結(jié)論 分析結(jié)論 10 分析處理 5非線性預(yù)測分析 基于在線預(yù)測的神經(jīng)網(wǎng)絡(luò) 基于非線性預(yù)測的神經(jīng)網(wǎng)絡(luò)得到的結(jié)論 非線性預(yù)測結(jié)論 11 系統(tǒng)結(jié)論 方法學(xué) 結(jié)論概述 前景工作 12 附錄：神經(jīng)網(wǎng)絡(luò)分析 關(guān)于圖表的列表 圖表 1測試 90,從上到下分別是 :AX,AY,AZ,AE,SP相對于時間的坐標(biāo) 圖表 2在移除 50HZ電源干擾信號后測試 19的能量光譜圖上邊區(qū)域顯示的是每一個光譜的三維空間 .底部區(qū)域顯示的是相同的信息 ,都是表示隨著由黑色到紅色顏色的增加信號的能量也在增加 . 圖表 3在移除所有低于最低能 量的光譜成分后 ,所得的測試 19的能量譜 圖表 5在移除低電源頻率成分后繪制的 AZ時間 (以秒為單位 )圖 圖表 6一個典型的測試顯示三個自動定義的步驟 :第一步 鉆進(jìn) (綠色顯示 )。然后相關(guān)的系統(tǒng)運作的實際改變也將由一些權(quán)威專家提出。 4神經(jīng)網(wǎng)絡(luò)預(yù)測分析 這種分析方法同樣的有利于在線分析，它用一種自動的系統(tǒng)特性預(yù)測器（一種神經(jīng)網(wǎng)絡(luò)預(yù)測器），在這里先鑒定出的事件將被驗證，同時更深一步的鑒別出一些重要事件。 從系統(tǒng)專家到 OBS工程師，他們專業(yè)知識的涉入對未來工具的開發(fā)是至關(guān)重要的，在這個“盲目”的分析法表示 OBS的數(shù)據(jù)模型分析技術(shù)是適合加工過程掌控的同時，專業(yè)知識和 OBS模型分析技術(shù)的結(jié)合可以提供最佳診斷程序和預(yù)診斷分析。 數(shù)據(jù)類型 所提供的數(shù)據(jù)是通過一系列的測試記錄出來的， 每個測試包含者一個相同的程序，在這些測試中，自動鉆頭用一個固定的速度鉆削一金屬板，用相同的進(jìn)給量加工孔。 在 12秒到 17秒之間，如表 1所示，鉆頭以同一進(jìn)給量向靜態(tài)磁盤移動，在這一階段。通過在每個 4096 點的光譜窗戶上進(jìn)行倒置的傅立葉轉(zhuǎn)變可以重構(gòu)實踐領(lǐng)域信號。 構(gòu)建二維數(shù)據(jù) 通過利用大量被測變量介紹結(jié)果資料 的可視化 。每一次測試都用一些原型 5維向量去分析概括，運用 5種不同的運算法則（這里面大量的數(shù)據(jù)都是由少量的一些向量原型所代替）。 自動機械測試分割 為了使運 用可視化分析取進(jìn)行 5維測試把鉆削過程分為三步是很方便的，這就相當(dāng)于是 。它嘗試著保存大空間數(shù)據(jù)之間的空間距離。 這個測試的頻率是典型的，它適合所有的測試；多數(shù)的重要光譜的峰巔是集中的在鉆削加工過程中的 (在這個測試中是在 14 和 21 秒之間 )當(dāng)在金屬板上鉆削時 , 能量集中的在越來越高的頻率 , 當(dāng)鉆頭經(jīng)過磁盤片的時候。 在 t=27秒時，鉆頭與靜態(tài)磁盤接觸開始鉆學(xué)金屬，這一步對應(yīng)著 SP的一步改變，一直持續(xù)到 t=38秒。 AX圓板加工在 X方向的加速度 AY圓板加工在 Y方向的加速度 AZ圓板加工在 Z方向的加速度 AERMS原聲，以 50400HZ播放 SP給鉆軸提供的電源 這個調(diào)查中的測試是用三種型號的鉆同（由相同的產(chǎn)品性能），如下表 1所示 表 1測試的試驗參數(shù) 鉆頭編號 測試編號 鉆頭轉(zhuǎn)速 進(jìn)給量 1 [12] 1700RPM 80 mm/min 2 [3127] 1700RPM 80 mm/min 3 [130194] 1700RPM 120mm/min 注意到測試 16， 54， 128， 129沒有被介紹，因此只分析了 190次測試，這 190次測試列于下表 2 表 2在這則報告中針對每次測試所使用的代號 測試代號 實際測試編號 [115] [115] [1652] [1753] [53125] [55127] [126190] [130194] 試驗狀況簡介 正常試驗 亞琛工業(yè)大學(xué)表示試驗 10到 110被 稱為正常加工。牛津信號分 析機構(gòu)是一家世界級的信號分析供應(yīng)者，數(shù)據(jù)融合、神經(jīng)網(wǎng)絡(luò)和其他先進(jìn)信號加工技術(shù)以及許多技術(shù)在其“快速”技術(shù)名下，這項技術(shù)不僅提供壽命和質(zhì)量保證，而且還提供機器設(shè)備運轉(zhuǎn)過程的掌控方法。在加工過程中的一些重要的事件與后來由系統(tǒng)專家證實的事件是息息相關(guān)的。 2信號再現(xiàn) 每一次實驗將一個個單獨的點的形成描述在圖表中，允許實驗點之間存在一定的誤差，超出誤差范圍的實驗點就可以很容易的識別出來。第三步 反應(yīng) (藍(lán)色顯示 ) 圖表 7加工區(qū)域的 y方向典型信號的多樣性 圖表 8能量譜 ,X軸上的頻率在 [0 fs/2] 圖表 9平均頻率 圖表 10所有測試 AE信號的可視化 圖表 11所有測試 X方向?qū)拵盘柕目梢暬? 圖表 12所有測試 X方向平均頻率信號的可視化 圖表 13用模板信號去進(jìn)行信號鑒定 1 執(zhí) 行概要 引言 由牛津信號分析機構(gòu)組織進(jìn)行的這次調(diào)查的目的是檢驗和判定其技術(shù)在分析從典型機械加工中得到的數(shù)據(jù)時的適用性能。 S3retraction (shown in blue) Figure 7 Example signature of variable y plotted against operatingpoint Figure 8 Power spectra for test 51, frequency (Hz) on the xaxis between [0 fs/2] Figure 9 Average significant frequency fu Figure 10 Visualisation of AE signatures for all tests Figure 11 Visualisation of Ax broadband signatures for all tests Figure 12 Visualisation of Ax averagefrequency signatures for all tests Figure 13 Novelty detection using a template signature Figure 14 1 Executive Summary Introduction The purpose of this investigation conducted by Oxford BioSignals was to examine and determine the suitability of its techniques in analyzing data from an example manufacturing process. This report has been submitted to RollsRoyce for the expressed of assessing Oxford BioSignals’ techniques with respect to monitoring the example process. The analysis conducted by Oxford BioSignals (OBS) was limited to a fixed timescale, a fixed set of challenge data for a single process (as provided by RollsRoyce and Aachen university of Technology), with no prior domain knowledge, nor information of system failure . Techniques Employed OBS used a number of analysis techniques given the limited timescales: IVisualisation, and Cluster Analysis This powerful method allowed the evolution of the system state (fusing all available data types) to be visualised throughout the series of tests. This showed several distinct modes of operation during the series, highlighting major events observed within the data, later correlated with actual changes to the system’s operation by domain experts. Cluster analysis automatically detects which of these events may be considered to be “abnormal”, with respect to previously observed system behavior . IISignature represents each test as a single point on a plot, allowing changes between tests to be easily identified. Abnormal tests are shown as outlying points, with normal tests forming a cluster. Modeling the normal behavior of several features selected from the provided data, this method showed that advance warning of system failure could be automatically detected using these features, as well as highlighting significant events within the life of the system. IIITemplate Analysis This method allows instantaneous sampleby –sample novelty detection, suitable for online implementation. Using a plementary approach to Signature Analysis, this method also models normal system behavior. Results confirmed the observation made using previous methods. IVNeural work Predictor Similarly useful for online analysis, this method uses an automated predictor of system behaviour(a neural work predictor), in which previously identified events were confirmed, and further significant episodes were detected. Summary of Results Early warning of system failure was independently identified by the various analysis methods employed. Several significant events during the life of the process were correlated with actual known events later revealed by system experts. Changes in sensor configurations are identified, and periods of system stability (in which tests are similar to one another) are highlighted. This report shall be used as the basis for further correlation of detected event