开放式诊断功能设计器

加载三缸泵故障数据。泵数据包含240个不同故障条件下的流量和压力测量值。故障类型有三种(泵缸泄漏、泵进口堵塞、泵轴承摩擦增加)。这些测量涵盖了不存在、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}100 {1201}{1201 x1时间表x1时间表}{1201x1时间表}100 {1201x1时间表}{1201x1时间表}100 {1201x1时间表}{1201x1时间表}0 {1201x1时间表}{1201x1时间表}100 {1201x1时间表}{1201x1时间表}{1201x1时间表}100 {1201x1时间表}{1201x1时间表

开放诊断特性设计器通过使用diagnosticFeatureDesigner命令。通过单击启动一个新会话新会话，打开数据导入对话框。

在从工作区选择数据集窗格中,选择pumpData作为您的数据源。在“选择源变量”窗格中，确认变量名与您在命令行中查看的变量名匹配。流而且压力都是信号。faultCode是一个条件变量．条件变量表示故障的存在或不存在，并被应用程序用于分组和分类。当你第一次打开新会话对话框中，应用程序显示第一个变量的变量属性。

点击进口将泵数据导入应用程序。

按故障码绘制数据并分组

通过选择绘制流量信号流从变量部分的数据浏览器，并单击信号跟踪在情节画廊。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。您可以点击信号跟踪选项卡，选择集团faultCode将具有相同故障码的信号以相同颜色显示。通过对信号进行分组，可以快速判断不同故障类型的信号之间是否存在明显的差异。在这种情况下，不同故障码的测量信号并没有显示出任何明显的差异。

把所有未来的情节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。

时域特征提取

由于在不同的故障情况下，测量的信号没有表现出任何差异，下一步是从信号中提取信号均值和标准差等时域特征。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．

打开两个新标签，信号特性而且时域特征．在信号特性，选择你想要提取的特征，然后单击应用．现在，清除阴谋的结果复选框。稍后您将绘制结果图，看看这些特征是否有助于区分不同的故障条件。对压力信号重复此过程。

频域特征提取

往复泵使用传动轴和气缸泵出流体。由于泵的机械结构，泵的流量和压力有可能出现循环波动。例如，使用信号轨迹图下面的信号绘制器放大到流信号的一段。

计算流动频谱将突出流动信号的周期性，并可以更好地了解在不同故障条件下流动信号是如何变化的。用自回归模型估计频谱。

该方法对数据拟合一个规定顺序的自回归模型，然后计算估计模型的频谱。这种方法减少了对原始数据信号的过拟合。在本例中，指定的模型顺序为20.．还要设置栅格的频率最小值0最大值为500．

在线性尺度上绘制计算光谱清楚地显示共振峰。按故障代码分组突出了不同故障条件下谱的变化。

对压力信号执行相同的计算，因为结果将提供额外的特征，以帮助区分不同的故障情况。

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 Hz之间的较小频带中提取这些特征，因为250 Hz之后的峰值更小。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，看看这些特征是否有助于区分不同的故障条件。通过更改对话框顶部选择的信号，对压力信号重复此过程。

视图功能

中所示的表中收集了我们所提取的所有特征功能表浏览器。如需查看计算出的特征数据，请选择FeatureTable1在数据浏览器中单击特性表视图在情节画廊。在特征表视图中，故障代码还显示在表中最右边的列中。当计算更多的特征时，更多的列被添加到表中。

通过将特征表作为直方图查看，您可以看到不同条件变量值(在本例中为故障类型)的特征值的分布。选择FeatureTable1然后，点击柱状图在图库中创建一组直方图图。使用“下一步”和“上一步”按钮显示不同特征的直方图。按故障代码分组的直方图可以帮助确定某些特征是否在故障类型之间具有很强的区分性。如果它们是强微分器，它们的分布就会离彼此更远。对于三缸泵数据，特征分布趋于重叠，没有可以明确用于识别故障的特征。下一节将介绍如何使用自动排名来查找哪些功能对故障预测更有用。

排名和导出特性

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特征数据，并根据方差分析等指标对特征进行排名。该应用程序根据度量值按重要性排序列出功能。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最能区分不同故障类型的特征。

在按照重要性对特征进行排序之后，下一步是导出它们，以便可以基于这些特征训练分类模型。点击出口,选择导出特征到分类学习器，并选择要用于分类的特征。在本例中，导出前15个特性。然后，应用程序将这些功能发送到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次交叉验证并启动会话。

分类学习者显示单个模型的散点图。

在模型部份分类学习者选项卡，选择所有训练模型类型。

在模型列表中,选择多个．然后,单击火车都．

训练结束后，分类学习者按模型编号顺序列出每个模型，以及模型验证精度，并显示集合中第一个模型的混淆矩阵。改变排序以准确性(验证)．

SVM方法的分类准确率最高，约为77%。在这个过程中有一些随机性，所以你的结果可能是不同的。选择该型号，单击混淆矩阵．混淆矩阵说明了这种方法如何为每种故障类型分类模型。对角线上的条目表示已正确分类的故障类型的数量。非对角线条目表示预测的和真实的类别不相同的故障类型。为了提高准确性，您可以尝试增加特征的数量。或者，您可以迭代现有的特性。另一个步骤是迭代现有的特征，特别是光谱特征，可能会修改光谱计算方法，改变带宽，或使用不同的频率峰值来提高分类精度。

诊断三泵故障

这个例子展示了如何使用诊断特性设计器分析选择特征，建立分类器，用于三缸往复泵故障诊断。