使用诊断特征设计器探索集成数据并比较特征
的诊断特性设计器App允许您使用多功能图形界面完成预测性维护工作流程的功能设计部分。您可以交互地设计和比较特征，然后确定哪些特征最擅长区分来自不同组的数据，例如标称系统和故障系统。如果您有运行到故障的数据，您还可以评估哪些特性最适合确定剩余使用寿命(RUL)。最有效的特征最终可以成为故障诊断和预测的状态指示器。
如下图所示为预测维护流程与诊断特性设计器功能。
应用程序操作集成数据。集成数据包含来自多个成员的数据测量，例如来自多个类似的机器，或者来自按时间间隔(如天或年)分割数据的单个机器。数据还可以包括条件变量，用于描述集成成员的故障条件或操作条件。条件变量通常有定义值，称为标签．有关数据集成的更多信息，请参见用于状态监测和预测性维护的数据集成．
应用内工作流开始于数据导入点，数据已经:
预处理与清理功能
组织成单独的数据文件或包含或引用所有集成成员的单个集成数据文件
在诊断特性设计器，该工作流程包括进一步处理数据所需的步骤，从数据中提取特征，并按有效性对这些特征进行排序。工作流最后选择最有效的功能，并将这些功能导出到分类学习者模型训练App。
工作流包括一个可选的MATLAB®代码生成步骤。当您生成捕获所选特性的计算的代码时，您可以为包含更多成员的更大的测量数据集自动化这些计算，例如来自不同工厂的类似机器。所得到的特征集提供了额外的训练输入分类学习者．
使用诊断功能设计器执行预测性维护任务
的基本功能诊断特性设计器．控件等选项卡中的控件与数据和结果交互功能设计选项卡，如图所示。中查看导入和派生的变量、特性和数据集数据浏览器．在绘图区域中可视化你的结果。
将导入数据转换为统一集成数据集
使用该应用程序的第一步是创建一个新会话并导入数据。您可以从表、时间表、单元格数组或矩阵导入数据。您还可以导入集成数据存储，其中包含允许应用程序与外部数据文件交互的信息。您的文件可以包含实际或模拟的时域测量数据、光谱模型或数据、变量名称、条件和操作变量，以及先前生成的特征。诊断特性设计器将所有成员数据组合到一个集成数据集中。在这个数据集中，每个变量都是一个集合信号或模型，包含所有单独的成员值。
若要在多个会话中使用相同的数据，可以将初始会话保存在会话文件中。会话数据既包括导入的变量，也包括已计算的任何其他变量和特性。在随后的会话中，您可以打开会话文件并继续处理导入和派生的数据。
有关准备和导入数据的信息，请参见:
有关导入过程本身的信息，请参见在诊断功能设计器中导入和可视化集成数据．
可视化数据
要绘制您导入或使用处理工具生成的信号或频谱，请从图库中选择一个图类型。这里的图说明了一个典型的信号轨迹。交互式绘图工具允许您平移、缩放、显示峰值位置和峰值之间的距离，并显示集合内的统计变化。在图中根据条件标签对数据进行分组，可以清楚地看到成员数据是来自于标称系统还是故障系统。
有关在应用程序中绘图的信息，请参见在诊断功能设计器中导入和可视化集成数据．
计算新变量
要探索数据并为特征提取准备数据，请使用数据处理工具。每次应用处理工具时，应用程序都会创建一个新的派生变量，其名称包含源变量和您使用的最近处理步骤。例如:
如果对变量应用时间同步信号平均(TSA)处理
振动/数据，新的派生变量名为Vibration_tsa /数据．如果你计算一个功率谱
Vibration_tsa /数据时，新变量名为Vibration_ps / SpectrumData．这个新名称反映了最近的处理ps事实上变量是一个频谱而不是一个信号。
要获取关于变量的更多信息，请使用细节窗格。在这个区域，您可以找到直接源信号和自变量等信息。您还可以绘制该变量的处理历史，并查看最近操作的参数。
所有信号的数据处理选项包括集合级统计，信号残差，滤波，功率和阶谱。如果您的成员样本不在相同的自变量间隔上出现，您还可以将数据插值到统一的网格中。
如果您的数据来自旋转机械，您可以根据转速表输出或名义转速执行TSA处理。从TSA信号中，可以生成TSA残差信号和差值信号等附加信号。这些tsa衍生信号通过保留或丢弃谐波和边带来隔离系统内的物理组件，它们是许多齿轮状态特征的基础。
许多处理选项都可以独立使用。一些选项可以或必须作为序列执行。除了前面讨论的旋转机械和TSA信号之外，另一个例子是任何信号的残留产生。您可以:
使用系综统计生成单个成员统计变量，如均值和最大值，以表征整个集合。
使用减去参考通过减去集成级值，为每个成员生成剩余信号。这些残差表示信号之间的变化，并且可以更清楚地揭示偏离集合其余部分的信号。
使用这些剩余信号作为额外处理选项或特征生成的源。
有关应用程序中的数据处理选项的信息，请参见在诊断特征设计器中处理数据和探索特征．
基于帧的并行处理
该应用程序提供了基于帧(分段)和并行处理的选项。
默认情况下，应用程序在一次操作中处理你的整个信号。您还可以分割信号并处理单个帧。如果集合中的成员表现出非平稳、时变或周期性行为，基于框架的处理特别有用。基于框架的处理也支持预测排序，因为它提供了特征值的时间历金宝app史。
如果您有并行计算工具箱™，就可以使用并行处理。因为应用程序经常在所有成员上独立执行相同的处理，并行处理可以显著改善计算时间。
生成功能
从你的原始和衍生的信号和光谱，你可以计算特征和评估他们的有效性。您可能已经知道哪些功能可能工作得最好，或者您可能想尝试所有适用的功能。可用的特征范围从一般信号统计，到专门的齿轮状态度量，可以识别故障的精确位置，到突出混沌行为的非线性特征。
每当你计算一组特征时，应用程序就会将它们添加到特征表中，并生成值在成员间分布的直方图。这里的图说明了两个特征的直方图。直方图说明了每个特征如何区分标记的数据。例如，假设你的条件变量是faultCode与国家0(蓝色)的名义系统数据和1(橙色)表示故障系统数据，如下图所示。您可以在直方图中看到，标称分组和错误分组是否会由于箱子中存在颜色混合而导致不同或混合的直方图箱子。您可以一次查看所有的特征直方图，或者选择应用程序在直方图plot集中包括哪些特征。在图中，CrestFactor箱子主要是纯蓝色或纯橙色，这表明良好的区分。的峰度直方图箱主要是一个暗橙色，是蓝色和橙色之间的混合，表明分化差。
要比较所有特征的值，请使用特征表视图和特征跟踪图。特征表视图显示了所有集成成员的所有特征值的表。特征跟踪绘制这些值。这个图可视化了集成中特征值的差异，并允许您识别特征值所代表的特定成员。
有关应用程序中的特征生成和直方图解释的信息，请参见:
等级特性
直方图允许您对特性的有效性进行初步评估。要执行更严格的相对评估，可以使用专门的统计方法对特征进行排名。该应用程序提供三种类型的排名:监督排名，无人监督的排名,预后排名．
监督排名，其中包括方法分类排名，通过区分数据组之间的能力来对特征进行评分和排名，例如区分名义行为和错误行为。监督排序需要包含描述数据组特征的标签的条件变量。
无监督排名不需要数据标签。这种类型的排名基于特征与其他特征聚类的倾向对特征进行评分和排名。
预后排序方法基于跟踪退化的能力对特征进行评分和排序，以便能够预测剩余使用寿命(RUL)。预后排序需要真实或模拟的运行到故障或故障进展数据，并且不使用条件变量。
下图为监督分类排名结果。您可以尝试多种排名方法，并一起查看每种方法的结果。排序结果允许您在计算导出的变量或特征时消除无效的特征，并评估参数调整的排序效果。
有关特性排名的信息，请参见:
诊断特性设计器部分为特性排行页而且技术排名
导出特征到分类学习器
定义了候选特性集之后，可以将它们导出到分类学习者统计和机器学习工具箱™中的应用程序。分类学习者通过使用自动化方法测试具有特征集的不同类型的模型，训练模型对数据进行分类。这样做，分类学习者确定最佳模型和最有效的特征。对于预测性维护，使用的目标是分类学习者选择并训练一个模型，该模型能够区分来自健康系统和故障系统的数据。您可以将该模型合并到故障检测和预测的算法中。这是一个从应用程序导出到分类学习者,请参阅分析和选择泵诊断功能．
您还可以将功能和数据集导出到MATLAB工作区。这样做允许您使用命令行函数或其他应用程序可视化和处理原始和派生的集成数据。在命令行中，您还可以将所选择的特性和变量保存到文件中，包括集成数据存储中引用的文件。
有关导出的信息，请参见在诊断特征设计器中对特征进行排序和导出．
生成MATLAB为你的功能编写代码
除了导出特性本身之外，您还可以生成一个MATLAB函数，该函数可以重现创建这些特性的计算。生成代码允许您使用不同的数据集自动化特征计算。例如，假设你有一个包含许多成员的大型输入数据集，但为了更快地响应应用程序，你希望在首次交互式地探索可能的功能时使用该数据的子集。在使用应用程序识别出最有效的特征后，可以生成代码，然后使用该代码对所有成员数据集应用相同的特征计算。更大的成员集可以让你提供更多的样本作为训练输入分类学习者．
下图说明了代码生成选项卡，允许您根据特征输入和计算方法等条件进行详细查询，以选择特征。
函数[featureTable,outputTable] = diagnosticFeatures(inputData)在诊断功能设计器中重新创建结果。％
另请参阅
相关的例子
更多关于
您也可以从以下列表中选择一个网站: