Melda Ulusoy, MathWorks
使用诊断功能设计师应用程序,从您的数据提取时域和频谱特征,以设计预测性维护算法。
在本例中,我们收集了三缸泵在不同故障条件下的测量数据。该应用程序允许您导入这些数据,并交互式地可视化它。您可以根据不同的故障条件对测量结果进行分组。从数据中提取时域和光谱特征后,可以使用直方图评估提取特征的有效性。您还可以对它们进行排序,以数字方式确定哪些特征可能最好地区分健康和错误的行为。最后,将最有效的特征输出到Classification Learner app中,用于进一步评估特征的有效性和训练机器学习模型。
使用诊断功能设计器应用程序进行功能提取
在本视频中,我们将演示如何使用诊断功能设计器应用程序提取特征,以开发预测性维护算法。
我们首先将数据集导入应用程序。数据收集自三缸泵在不同故障条件下的数据。它存储在一个集成中,该集成是用于开发预测性维护算法的专用数据存储。集合数据存储包含1.2秒长的流量和压力测量值,以及每个测量值的故障代码。导入数据集后,它将显示在数据浏览器中。为了可视化流量信号,我们选择它并单击信号跟踪。这将绘制不同故障条件下的所有测量值。通过选择此选项,我们现在可以按故障代码对测量值进行分组。如果我们使用下面的平移条放大,我们可以更好地看到如何根据不同的故障类型用不同的颜色突出显示测量值。接下来,我们将从这些数据中提取时域和光谱特征。我们回到Feature Designer选项卡,在该菜单下,我们选择信号特征以生成统计特征。我们将首先使用流量数据,然后从压力信号中提取特征。这里,我们有常用的时域特征,如平均值、标准偏差、峰度和偏度。现在我们计算了时域特征,我们将继续提取光谱特征。应用程序可以使用时域数据来估计这些信号的信号频谱,然后使用这些频谱来提取频谱特征。我们选择“谱估计”,然后单击“功率谱”。在这里,您可以尝试使用非参数或参数方法来计算光谱并比较其结果。我们选择模型阶数为20的自回归模型。接下来,为了计算光谱特征,我们点击这里。我们选择的频带包括前四个峰值。原因是由于在更高频率下的噪声数据,很难区分光谱峰值。因此,从较高频率提取的任何特征都不会对机器学习模型的性能产生影响。
到目前为止,我们从流动数据中确定了时间和光谱特征。可以对压力数据重复相同的过程,并提取一些附加特征。现在,从流量和压力数据中提取的所有特征都存储在FeatureTable1中。选择此表后,我们可以单击以表格形式显示所有计算特征值的特征表视图。不同的功能显示在不同的列上。我们也可以使用直方图来显示计算特征的分布。在这些图上,不同的颜色表示不同的故障。由于不同断层类型的重叠分布和大量特征,很难确定哪些特征更容易分离和区分。该应用程序让我们对所有功能进行排序,以确定有效区分不同类型故障的功能。在“功能设计”选项卡上,当我们单击“功能排名”时,应用程序使用单向方差分析计算所有功能的排名分数。方差分析测试的结果显示在右侧,而左侧的条形图显示了不同特征的标准化分数。我们可以通过将鼠标悬停在条形图上来查看功能名称。得分较高的功能是训练机器学习模型的良好候选功能。为了进一步评估提取的特征,我们现在可以将它们导出到分类学习器,在那里我们可以训练用于故障分类的机器学习模型。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。