故障检测和诊断的决策模型
状态监视包括区分故障状态和正常状态(故障检测）或者，当存在故障状态时，确定故障源（故障诊断)．要设计一种条件监控算法，请使用从系统数据中提取的条件指示器来培训可以分析从测试数据提取的指示符以确定当前系统状态的决策模型。因此，算法设计过程中的该步骤是识别条件指示器之后的下一步。
（有关使用条件指示器进行故障预测的信息，请参阅剩余使用寿命预测模型。）
条件监测的决策模型的一些示例包括：
条件指示值上的阈值或界限，表示当指示符超过它时的故障
描述条件指示符的任何特定值的可能性的概率分布指示任何特定类型的故障
一种分类器，它将条件指示器的当前值与与故障状态相关的值进行比较，并返回出现一种或另一种故障状态的可能性
通常，当您测试不同的模型进行故障检测或诊断时，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成数据中提取的特性。(见监测，故障检测和预测的条件指示器。）将数据分配成用于培训决策模型的子集是有用的（培训数据）和您用于验证的脱节子集（验证数据)．与使用重叠数据集进行训练和验证相比，使用完全独立的训练和验证数据通常可以让您更好地了解决策模型如何使用新数据执行。
在设计算法时，您可以使用不同的条件指示器测试不同的故障检测和诊断模型。因此，设计过程中的这一步骤可能会迭代提取条件指示符的步骤，因为您尝试不同的指标，指示器的不同组合和不同的决策模型。
Statistics and Machine Learning Toolbox™和其他工具箱包括可用于训练决策模型(如分类器和回归模型)的功能。这里总结了一些常用的方法。
功能选择
特征选择技术通过消除与您试图执行的分析无关的特性来帮助您减少大型数据集。在状态监视上下文中，不相关的特性是那些不能将正常操作与故障操作分开或帮助区分不同故障状态的特性。换句话说，特征选择意味着识别那些适合作为条件指标的特征，因为它们在系统性能下降时以可检测的、可靠的方式变化。一些功能的特征选择包括:
PCA.——执行主要成分分析，它找到了占观察值最大变化的独立数据变量的线性组合。例如，假设您有十个独立的传感器信号，每个成员都可以从中提取许多功能。在这种情况下，主成分分析可以帮助您确定特征的特征或组合对于分离合奏中所代表的不同的健康和故障条件最有效。这个例子风力发电机高速轴承预测使用这种方法来选择选择。sequentialfs-对于一组候选特征，通过顺序选择特征，直到识别没有改善，识别出最能区分健康和故障条件的特征。FSCNCA- 使用邻域分量分析执行分类的特征选择。这个例子使用Simu金宝applink生成故障数据使用此函数根据所提取的条件指标在区分故障条件中的重要性对其进行加权。
有关特性选择的更多功能，请参见减少维度和特征提取（统计和机器学习工具箱）。
统计分配拟合
当您有一个条件指示符值和相应的故障状态表时，可以将值符合统计分布。将验证或测试数据与生成的分布进行比较产生验证或测试数据对应于一个或另一个故障状态的可能性。您可以用于此类配件的某些功能包括：
ksdity- 估计样品数据的概率密度。histfit-从数据生成直方图，并将其拟合为正态分布。这个例子使用稳态实验对离心泵的故障诊断使用这种方法。ZTEST.-测试数据来自具有指定平均值和标准偏差的正态分布的可能性。
有关统计分布的更多信息，请参阅概率分布（统计和机器学习工具箱）。
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问题。分类是一种监督机器学习，其中算法“学习”以从标记数据的示例对新的观测分类。在故障检测和诊断的背景下，您可以将从集合的条件指示器传递给培训分类器的算法拟合函数的条件指示。
例如，假设您在跨越不同健康和故障条件的数据的集合中计算每个成员的条件指示值表。您可以将此数据传递给适合分类器模型的函数。这一点培训数据训练分类器模型从新数据集中提取一组条件指示值，并猜测哪个健康或错误的条件适用于数据。在实践中，您使用集成的一部分进行训练，并保留集成的不相交部分来验证经过训练的分类器。
统计和机器学习工具箱包括许多函数，您可以使用来训练分类器。这些功能包括:
fitcsvm.- 培训二进制分类模型，以区分两个状态，例如存在故障条件的存在或不存在。例子使用Simu金宝applink生成故障数据使用这个函数训练一个基于特征的条件指示器表的分类器。这个例子使用稳态实验对离心泵的故障诊断也使用这个函数，使用基于模型的条件指标，这些指标是通过将数据拟合到静态模型中得到的参数的统计属性计算出来的。Fitcecoc.- 培训分类器以区分多个状态。此函数减少了一组二进制分类器的多字符分类问题。这个例子使用模拟数据进行多级故障检测使用此功能。fitctree-通过将问题简化为一组二叉决策树来训练多类分类模型。FitClinear.—使用高维训练数据训练分类器。当您有大量的条件指示器而无法使用诸如FSCNCA。
其他机器学习技术包括k-means聚类（kmeans），将数据分区为互斥集群。在该技术中，通过最小化从数据点到分配群集的平均位置的距离来分配新测量。树袋是另一种技术，它汇总了决策树的分类。这个例子使用稳态实验对离心泵的故障诊断使用一个treebagger分类器。
有关用于分类的机器学习技术的更多通用信息，请参见分类（统计和机器学习工具箱）。
带有动态模型的回归
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，您可以在健康和故障状态下估计系统运行的动态模型。然后，分析哪个模型更可能解释来自系统的实时测量结果。当您有一些关于系统的信息，可以帮助您选择用于识别的模型类型时，这种方法非常有用。要使用这种方法，您:
从运行在健康状态和已知故障、降级或寿命终止状态下的系统中收集或模拟数据。
识别表示每个健康和故障条件中行为的动态模型。
使用聚类技术在条件下绘制明确的区别。
从操作中收集新数据并识别其行为的模型。然后，您可以确定哪些其他模型，健康或错误，最有可能解释观察到的行为。
这个例子使用基于数据的模型进行故障检测使用这种方法。可以用于识别动态模型的功能包括：
您可以使用像这样的功能预报预测所识别模型的未来行为。
控制图表
统计过程控制（SPC）方法是用于监测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。在预测维护的上下文中，控制图表和控制规则可以帮助您确定当条件指示值表示故障时。例如，假设您有一个条件指示器，如果超过阈值，则表示故障，但也表现出一些正常变化，这使得难以识别阈值何时交叉。您可以使用控制规则来定义当指定数量的顺序测量超过阈值时的阈值条件，而不是仅一个。
ControlChart.- 可视化控制图。ControlRules.- 定义控制规则并确定它们是否被违反。cusum- 检测数据平均值的小变化。
有关统计过程控制的更多信息，请参阅统计过程控制（统计和机器学习工具箱）。
Changepoint检测
检测故障条件的另一种方法是跟踪条件指示器的值随时间并检测趋势行为中的突然变化。这种突然的变化可以指示故障。您可以用于此类更改点检测的某些功能包括：
找到挑选- 发现信号中的突然变化。findpeaks.- 找到信号中的峰值。分部-分段数据，并估计每个分段的AR, ARX, ARMA或ARMAX模型。这个例子使用基于数据的模型进行故障检测使用这种方法。
相关主题
你也可以从以下列表中选择一个网站:
