打开诊断功能设计师

加载Triplex泵故障数据。泵数据包含240个流量和压力测量，用于不同的故障情况。有三种故障类型（泄漏泵筒，堵塞泵入口，增加泵轴承摩擦）。测量涵盖存在无，一个或多个故障的条件。在每行是不同的测量的表中收集数据。

装载(“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时刻表100 {1201x1 Timetable} {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100 {1201x1 Timetable} 100{1201x1 timetable} {1201x1 timetable} 100⋮

打开诊断功能设计器通过使用诊断功能设计器命令。将泵数据导入应用程序。数据组织为多成员集合，因此使用该选项进行导入。

一旦我们指定了要导入为的变量pumpData，然后我们可以查看我们正在导入的各种信号。确保故障码变量是条件变量。条件变量表示故障的存在或不存在，并由应用程序用于分组和分类

故障代码绘制数据和组

通过选择来绘制流量信号流动来自信号与光谱数据浏览器的一部分，然后单击信号跟踪在情节画廊中。绘图压力以相同的方式。

这些图显示数据集中所有240个成员的压力和流量信号信号跟踪选项卡，然后选择逐个“FAURORCODE”以相同颜色显示具有相同故障代码的信号。以这种方式分组信号可以帮助您快速确定不同故障类型的信号之间是否存在明显差异。在这种情况下，测量的信号不会显示不同故障码的任何明显差异。

提取时域特征

由于测量信号在不同故障条件下不会显示任何差异，下一步是从信号中提取时域特征，如信号平均值和标准偏差。要打开此处显示的对话框，请选择时域特征进而信号特征。选择要提取的功能，然后单击好的.现在，请清除绘图结果复选框。我们将稍后绘制结果，以查看这些功能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。

提取频域特征

往复泵使用驱动轴和气缸泵送流体。由于泵的机械结构，我们预计泵流量和压力会出现周期性波动。例如，使用信号跟踪图下方的信号平移器放大一部分流量信号。

计算流量频谱将突出流量信号的循环性质，并可以更好地了解流量信号在不同故障条件下的变化。使用自回归方法估计频谱。该方法将规定顺序的自回归模型与数据相匹配，然后比较UTE估计模型的频谱。这种方法减少了对原始数据信号的任何过度拟合。在这种情况下，指定模型阶数为20.

在线性标度上绘制计算出的谱图清楚地显示了共振峰。按故障代码分组强调了谱在不同故障条件下的变化。

当结果提供结果，对压力信号执行相同的计算，以帮助区分不同的故障条件。

我们现在可以计算诸如峰值，模态系数和频带电源的频谱特征。我们在25-250Hz之间的较小频带中提取这些功能，因为250 Hz较小。注意，我们正在为每个信号提取5个光谱峰值。现在，清除绘图结果复选框。我们将稍后绘制结果，以查看这些功能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。

查看功能

我们提取的所有特征都已收集在中所示的表格中要素表浏览器。要查看计算的要素数据，请选择特征表1从数据浏览器中单击功能表视图在情节画廊中。故障代码也显示在要素表视图中，作为表中最右侧的列。随着计算的更多功能，更多的列被附加到表中。

您可以通过将要素表视为直方图，查看不同条件变量值的特征值的分布，即故障类型。点击直方图在plot gallery中创建直方图。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有助于确定某些特征是否是故障类型之间的强区分因素。如果它们是强区分因素，则它们的分布彼此之间的距离将更远。For对于三缸泵数据，特征分布往往重叠，并且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序来确定哪些特征对故障预测更有用。

排名和导出功能

从特色设计师选项卡，单击排名特征选择特征表1.该应用程序收集所有功能数据，并根据诸如Anova等度量来排列功能。然后基于度量值，以重要性列出该功能。在这种情况下，我们可以看出，流量信号的RMS值和压力信号的均值和平均值是最强烈地区分不同故障类型的特征。

在我们在重要方面排名我们的特征后，下一步是导出它们，以便我们可以根据这些功能培训分类模型。点击出口，选择将特征导出到分类学习器，并选择要用于分类的功能。在这种情况下，我们将导出所有具有的功能单向Anova公制>1，即所有功能达到并包括pressure_ps_spec / data_zeta1..然后将功能发送到分类学习者并且可用于设计分类器以识别不同的故障。

在分类学习者，选择5倍交叉验证然后开始会议。

从分类学习者，培训所有可用型号。这个俄罗斯的树木方法的最高分类准确度为85％。下一步可以迭代特征 - 尤其是频谱特征 - 并且可能改变光谱计算方法，改变带宽，或者使用不同的频率峰值来提高分类精度。

诊断三缸泵故障

这个例子展示了如何使用诊断功能设计器分析和选择功能并创建分类器以诊断Triplex往复泵中的故障。