故障检测与诊断的决策模型
状态监测包括歧视故障和健康状态（故障检测)，或在出现故障状态时，确定故障的来源(故障诊断)。要设计用于状态监控的算法，您可以使用从系统数据中提取的状态指标来训练一个决策模型，该模型可以分析从测试数据中提取的指标，以确定当前系统状态。因此，算法设计过程中的这一步是识别条件指标之后的下一步。
(有关使用条件指示器进行故障预测的信息，请参见预测剩余使用寿命的模型)。
一些用于状态监测的决策模型示例包括:
条件指标值上的阈值或一组界限，当指标超过该阈值时，表示发生故障
一种概率分布，描述状态指示器的任何特定值指示任何特定类型故障的可能性
将条件指示符的当前值与故障状态相关联的值进行比较的分类器，并返回存在一个或另一个故障状态的可能性
通常，当您测试用于故障检测或诊断的不同模型时，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合中的数据中提取的特性。(见用于监控、故障检测和预测的条件指标)。将数据划分为用于训练决策模型(即训练数据)和用于验证的不相交子集(验证数据)。与具有重叠数据集的训练和验证相比，使用完全独立的培训和验证数据通常会让您更好地了解决策模型将如何使用新数据。
在设计算法时，可以使用不同的状态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、指标的不同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迭代。
统计和机器学习工具箱™和其他工具箱包括您可以用来培训诸如分类器和回归模型之类的决策模型的功能。这里总结了一些常见的方法。
特征选择
功能选择技术可帮助您通过消除与您尝试执行的分析无关的功能来减少大数据集。在条件监测的背景下，无关的特征是那些与错误的操作不分开的特征或有助于区分不同的故障状态。换句话说，特征选择意味着识别适合用作条件指示器的那些功能，因为它们以可检测的，可靠的方式改变为系统性能降低。特征选择的某些功能包括：
主成分分析- 履行主成分分析，找出对观测值变化最大的独立数据变量的线性组合。例如，假设您有10个独立的传感器信号为您的集合中的每个成员，您可以从中提取许多特征。在这种情况下，主成分分析可以帮助您确定哪些功能或功能组合最有效地分离集成中表示的不同健康和故障状态。这个例子风力涡轮机高速承载预后使用这种方法来选择特征。序列- 对于一组候选功能，通过顺序选择特征来识别最佳区分健康和故障条件的功能，直到没有改善识别。fscnca-使用邻域成分分析进行分类特征选择。这个例子使用Simu金宝applink生成故障数据使用此函数根据其重要性来重量提取的条件指示符列表，以区分故障条件。
有关特征选择的更多功能，请参阅降维与特征提取．
统计分布拟合
当您有一个条件指示器值和相应故障状态的表时，您可以将这些值与统计分布相匹配。将验证或测试数据与结果分布进行比较，可以得到验证或测试数据对应于一个或另一个故障状态的可能性。你可以使用的一些功能包括:
ksdensity-估计样本数据的概率密度。histfit- 从数据生成直方图，并将其拟合到正态分布。这个例子基于稳态实验的离心泵故障诊断使用这种方法。中兴通讯- 测试数据来自具有指定均值和标准偏差的正常分布。
有关统计分布的更多信息，请参见概率分布．
机器学习
有几种方法可以将机器学习技术应用于故障检测和诊断。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分类新的观察结果。在故障检测和诊断的情况下，可以将来自集成的条件指示符及其对应的故障标签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和故障条件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。这训练数据培训分类器模型以拍摄从新数据集中提取的一组条件指示值，并猜测数据适用于数据的健康或故障。在实践中，您可以使用培训的一部分进行培训，并保留集合的脱节部分以验证训练的分类器。
统计和机器学习工具箱包含您可以用于训练分类器的许多功能。这些功能包括：
fitcsvm-训练一个二值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生成故障数据使用此功能培训具有基于功能的条件指示表的分类器。这个例子基于稳态实验的离心泵故障诊断同样使用此功能，具有基于模型的条件指示符，从拟合数据所获得的参数的统计属性计算到静态模型。fitcecoc-训练一个分类器来区分多个状态。该函数将多类分类问题简化为一组二元分类器。这个例子基于模拟数据的多类故障检测使用这个函数。fitctree- 通过将问题减少到一组二进制决策树来训练多牌分类模型。fitclinear- 使用高维培训数据列车分类器。当您有大量条件指示器时，您无法减少使用诸如fscnca．
其他机器学习技术包括k - means聚类（威彻斯)，它将数据划分为互斥的集群。在该技术中，通过最小化数据点到所分配簇的平均位置的距离，将一种新的测量值分配给簇。树袋装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用A.TreeBagger分类器。
有关用于分类的机器学习技术的更多一般信息，请参阅分类．
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，您估计健康和故障状态的系统操作的动态模型。然后，您分析哪种型号更有可能解释系统的实时测量。当您有一些有关您的系统的信息时，这种方法很有用，这可以帮助您选择要识别的型号类型。要使用这种方法，你：
从健康状况和已知的故障，降级或寿命结束条件下收集或模拟系统的数据。
确定表示每个正常和故障状态下行为的动态模型。
使用集群技术来明确区分条件。
从运行中的机器中收集新数据，并确定其行为模型。然后，您可以确定哪个其他模型(正常的或错误的)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。你可以用来识别动态模型的函数包括:
您可以使用如下函数预测预测已识别模型的未来行为。
控制图
统计过程控制(SPC)方法是监控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。在预见性维护的背景下，通过控制图和控制规则，可以判断某一状态指标值何时发生故障。例如，假设您有一个条件指示器，如果它超过了一个阈值，它就指示一个故障，但是它也显示了一些正常的变化，使得很难确定何时超过了阈值。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(而不是仅超过一个)时发生的情况。
controlchart-可视化控制图。controlrules-定义控制规则并确定是否违反。骗子-检测数据平均值的小变化。
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
另一种检测故障状态的方法是随着时间的推移跟踪状态指示器的值，并检测趋势行为中的突变。这样的突变可能预示着断层。你可以用一些函数来检测这样的变更点:
findchangepts-发现信号的突变。findpeaks-找到信号的峰值。段- 每个段的段数据和估算AR，ARX，ARMA或ARMAX模型。这个例子基于数据模型的故障检测使用这种方法。
相关的话题
你也可以从以下列表中选择一个网站:
