主要内容

故障检测与诊断的决策模型

状态监视包括区分故障状态和正常状态(故障检测)，或者在出现故障状态时，确定故障的来源(故障诊断）.要设计用于状态监控的算法，可以使用从系统数据中提取的状态指示器来训练一个决策模型，该决策模型可以分析从测试数据中提取的指示器，以确定当前的系统状态。因此，算法设计过程中的这一步是识别条件指标后的下一步。

(使用条件指标进行故障预测请参见剩余使用寿命预测模型.）

一些用于状态监控的决策模型示例包括:

  • 条件指示器值上的一个阈值或一组边界，当指示器超过该阈值时，该阈值指示出故障

  • 一种概率分布，描述条件指示器的任何特定值指示任何特定类型故障的可能性

  • 一种分类器，它将条件指示器的当前值与与故障状态相关的值进行比较，并返回出现一种或另一种故障状态的可能性

通常，当您测试不同的模型进行故障检测或诊断时，您会构造一个包含一个或多个条件指示器值的表。条件指示器是从表示不同健康和故障操作条件的集成数据中提取的特性。(见状态监控、故障检测和预测指标.）将数据划分为用于训练决策模型的子集(训练数据)和用于验证的不相交子集验证数据）.与使用重叠数据集进行训练和验证相比，使用完全独立的训练和验证数据通常可以让您更好地了解决策模型如何使用新数据执行。

在设计算法时，可以使用不同的条件指示器测试不同的故障检测和诊断模型。因此，当您尝试不同的指标、不同的指标组合和不同的决策模型时，设计过程中的这一步很可能与提取条件指标的步骤相迭代。

Statistics and Machine Learning Toolbox™和其他工具箱包括可用于训练决策模型(如分类器和回归模型)的功能。这里总结了一些常用的方法。

特征选择

特征选择技术通过消除与您试图执行的分析无关的特性来帮助您减少大型数据集。在状态监视上下文中，不相关的特性是那些不能将正常操作与故障操作分开或帮助区分不同故障状态的特性。换句话说，特征选择意味着识别那些适合作为条件指标的特征，因为它们在系统性能下降时以可检测的、可靠的方式变化。一些功能的特征选择包括:

  • 主成分分析——执行主成分分析，它发现独立数据变量的线性组合，占观测值的最大变化。例如，假设您对您的集合中的每个成员都有10个独立的传感器信号，从中提取许多特征。在这种情况下，主成分分析可以帮助您确定哪些特征或特征组合最有效地分离集成中表示的不同健康和故障条件。这个例子风力发电机高速轴承预测使用这种方法进行特征选择。

  • sequentialfs-对于一组候选特征，通过顺序选择特征，直到识别没有改善，识别出最能区分健康和故障条件的特征。

  • fscnca-利用邻域分量分析进行特征选择进行分类。这个例子使用Simu金宝applink生成故障数据使用此函数根据所提取的条件指标在区分故障条件中的重要性对其进行加权。

有关特性选择的更多功能，请参见降维和特征提取．

统计分布拟合

当您有一个包含状态指示值和相应故障状态的表时，您可以将这些值拟合到统计分布中。将验证或测试数据与结果分布进行比较，可以得出验证或测试数据对应于一种或其他故障状态的可能性。一些功能，你可以使用这样的配合包括:

有关统计分布的更多信息，请参见概率分布．

机器学习

有几种方法可以应用机器学习技术来解决故障检测和诊断问题。分类是一种有监督的机器学习，其中算法“学习”从标记数据的例子中对新的观察结果进行分类。在故障检测和诊断的上下文中，您可以将从集成及其相应的故障标签派生的条件指示器传递给训练分类器的算法拟合函数。

例如，假设您为跨越不同健康状态和故障状态的数据集合中的每个成员计算一个条件指示器值表。您可以将此数据传递给适合分类器模型的函数。这训练数据训练分类器模型从新数据集中提取一组条件指示值，并猜测哪个健康或错误的条件适用于数据。在实践中，您使用集成的一部分进行训练，并保留集成的不相交部分来验证经过训练的分类器。

统计和机器学习工具箱包括许多函数，您可以使用来训练分类器。这些功能包括:

  • fitcsvm—训练一个二元分类模型来区分两种状态，例如是否存在故障条件。的例子使用Simu金宝applink生成故障数据使用这个函数训练一个基于特征的条件指示器表的分类器。这个例子基于稳态实验的离心泵故障诊断也使用这个函数，使用基于模型的条件指标，这些指标是通过将数据拟合到静态模型中得到的参数的统计属性计算出来的。

  • fitcecoc-训练一个分类器来区分多个状态。这个函数将多类分类问题简化为一组二进制分类器。这个例子基于模拟数据的多类故障检测使用这个函数。

  • fitctree-通过将问题简化为一组二叉决策树来训练多类分类模型。

  • fitclinear—使用高维训练数据训练分类器。当您有大量的条件指示器而无法使用诸如fscnca．

其他机器学习技术包括k - means聚类（kmeans)，将数据划分为互斥的集群。在这种技术中，通过最小化从数据点到其所分配的簇的平均位置的距离，将一个新的度量值分配给一个簇。树套袋是另一种将决策树集合起来进行分类的技术。这个例子基于稳态实验的离心泵故障诊断使用一个TreeBagger分类器。

有关用于分类的机器学习技术的更多通用信息，请参见分类．

动态模型回归

故障检测和诊断的另一种方法是使用模型识别。在这种方法中，您可以在健康和故障状态下估计系统运行的动态模型。然后，分析哪个模型更可能解释来自系统的实时测量结果。当您有一些关于系统的信息，可以帮助您选择用于识别的模型类型时，这种方法非常有用。要使用这种方法，您:

  1. 从运行在健康状态和已知故障、降级或寿命终止状态下的系统中收集或模拟数据。

  2. 确定表示每种健康和故障状态下行为的动态模型。

  3. 使用集群技术来明确区分不同的条件。

  4. 从运行中的机器中收集新数据，并确定其行为模型。然后，您可以确定哪些其他模型(健康的或错误的)最有可能解释观察到的行为。

这个例子基于数据模型的故障检测使用这种方法。用于识别动态模型的函数包括:

你可以像这样使用函数预测来预测已识别模型的未来行为。

控制图

统计过程控制(SPC)方法是监视和评估制成品质量的技术。SPC用于定义、测量、分析、改进和控制开发和生产过程的程序。在预见性维护中，控制图和控制规则可以帮助用户判断条件指标值何时表示故障。例如，假设您有一个条件指示器，它在故障超过阈值时指示故障，但也显示出一些正常的变化，使您难以识别什么时候超过阈值。您可以使用控制规则将阈值条件定义为当指定数量的连续度量超过阈值时发生的情况，而不仅仅是一个阈值。

  • controlchart-可视化控制图。

  • controlrules—定义控制规则，判断是否违反控制规则。

  • cusum-检测数据均值的小变化。

有关统计过程控制的更多信息，请参见统计过程控制．

Changepoint检测

检测故障条件的另一种方法是跟踪条件指示器随时间变化的值，并检测趋势行为的突变。这种突然的变化可能是断层的迹象。一些你可以用于这种更改点检测的函数包括:

相关的话题

预测性维护工具箱文档

金宝app

基于MATLAB的预测维护

基于MATLAB的预测维护

下载电子书