开放诊断功能设计器

加载三缸泵故障数据。该泵数据包含240个不同故障条件下的流量和压力测量值。有三种故障类型(泵缸泄漏、泵进口堵塞、泵轴承摩擦增加)。这些测量涵盖了没有、一个或多个故障的情况。数据收集在一个表中，其中每一行都是不同的度量值。

负载(“savedPumpData”) pumpData

pumpData =240×3表faultCode流压力  __________________ __________________ _________ { 1201 x1时间表}{1201}x1时间表0 x1时间表}{1201}{1201 x1时间表0 x1时间表}{1201}{1201 x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201 x1时刻表100 {1201x1 Timetable} {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100{1201x1 timetable} {1201x1 timetable} 100⋮

开放诊断功能设计通过使用diagnosticFeatureDesigner命令。通过单击启动一个新的会话新会话，将打开一个用于导入数据的对话框。

在选择更多的变量窗格中,选择pumpData作为数据源。在总结窗格中，确认变量名称与您在命令行中查看的变量名称相匹配。流和压力都是信号。faultCode是一个条件变量．条件变量表示存在或不存在错误，并被应用程序用于分组和分类。

点击进口将泵数据导入应用程序。

根据故障码绘制数据和分组

通过选择绘制流量信号流从信号和光谱部分的数据浏览器并单击信号跟踪在图片库。画出压力用同样的方式发出信号。

这些图显示了数据集中所有240个成员的压力和流量信号。你可以点击信号跟踪选项卡并选择集团通过“faultCode”以相同颜色显示具有相同故障代码的信号。将信号进行分组，可以帮助您快速判断不同故障类型的信号是否有明显区别。在这种情况下，不同故障代码的测量信号没有任何明显的差异。

将所有未来的情节按faultCode,使用绘图选项．点击绘图选项打开一个对话框，让您为会话设置首选项。

提取时域特征

由于被测信号在不同故障条件下没有任何差异，下一步就是从信号中提取信号均值、标准差等时域特征。首先,选择/数据流在数据浏览器中。然后,选择时域特征然后信号特性．

两个新标签页打开，信号特性和时域特征．在信号特性，选择您想要提取的特性并单击应用．现在，清除阴谋的结果复选框。稍后您将绘制结果图，看看这些特性是否有助于区分不同的故障条件。通过改变对话框顶部选择的信号，对压力信号重复这个过程。

提取频域特征

往复泵使用传动轴和气缸来泵送流体。由于泵的机械构造，泵的流量和压力很可能存在周期性波动。例如，使用信号跟踪图下面的信号平移器放大流信号的一部分。

计算流量频谱将突出流量信号的循环性质，并可以更好地了解流量信号在不同故障条件下的变化。用自回归方法估计频谱。

该方法对数据拟合一个指定阶数的自回归模型，然后计算估计模型的谱。这种方法减少了对原始数据信号的任何过拟合。在这种情况下，指定的模型顺序20.．同时设置频率网格的最小值为0最大值是500．

在线性尺度上绘制计算谱图清楚地显示出共振峰。按故障代码分组强调了不同故障条件下频谱的变化情况。

对压力信号进行相同的计算，结果将提供额外的特征，以帮助区分不同的故障条件。

您现在可以计算光谱特征，如峰值、模态系数和频带功率。

在23-250赫兹之间的较小频带中提取这些特征，因为250赫兹之后的峰值较小。对于每个信号，提取5个谱峰。现在，清除阴谋的结果复选框。稍后您将绘制结果图，看看这些特性是否有助于区分不同的故障条件。通过改变对话框顶部选择的信号，对压力信号重复这个过程。

视图功能

中所示的表格收集了我们所提取的所有特征功能表浏览器。要查看计算的特征数据，请选择FeatureTable1从数据浏览器中单击功能表视图在图片库。故障代码也显示在特性表视图中，作为表中最右边的一列。随着越来越多的特性被计算，更多的列被附加到表中。

通过将特征表看作直方图，可以看到不同条件变量值(在本例中是故障类型)的特征值的分布。选择FeatureTable1然后,单击柱状图在图库中创建一组直方图图。使用next和previous按钮显示不同特征的直方图。由故障代码分组的直方图图可以帮助确定某些特征是否是故障类型之间的强区分器。如果它们是强烈的区分者，它们的分布将会彼此之间更加遥远。对于三缸泵数据，特征分布趋于重叠，没有明显的特征可以用来识别故障。下一节将介绍如何使用自动排名来查找哪些特性对故障预测更有用。

等级和出口特征

从功能设计选项卡上,单击等级特性并选择FeatureTable1．该应用程序收集所有功能数据，并基于方差分析等指标对功能进行排名。应用程序根据度量值按照重要性顺序列出功能。在这种情况下，流量信号的均方根值和压力信号的均方根值和平均值是区分不同故障类型的最有力的特征。

在按照重要性对特征进行排序之后，下一步是导出它们，以便基于这些特征训练分类模型。点击出口,选择向分类学习者输出特征，并选择您想要用于分类的特性。在这种情况下，导出前15个特性。然后应用程序将这些功能发送给分类学习者它们可以用来设计一个分类器来识别不同的故障。

在从文件中新建会话对话框,分类学习者打开，确认5倍交叉验证并开始会话。

分类学习者显示单个模型的散点图。

在模型类型部分的分类学习者选项卡，选择用于训练的所有模型类型。然后单击火车．

当培训结束时，分类学习者按模型编号的顺序列出每个模型，以及模型精度，并显示第一个模型的混淆矩阵。更改排序顺序以保证模型的准确性。

SVM方法的分类准确率最高，约为78%。对应的混淆矩阵说明了这种方法对每种故障类型的模型进行分类有多好。对角线上的表项代表正确分类的故障类型个数。非对角条目表示预测类和真实类不相同的故障类型。为了提高准确性，您可以尝试增加特性的数量。或者，您可以对现有的特性进行迭代。另一个步骤是迭代现有的特征-特别是光谱特征-并可能修改光谱计算方法，改变带宽，或使用不同的频率峰值来提高分类精度。

诊断三缸泵故障

这个例子展示了如何使用诊断功能设计分析、选择三缸往复泵的特征并建立分类器进行故障诊断。