診断特徴デザイナーを開く

3 重ポンプの故障データを読み込みます。ポンプのデータには、さまざまな故障状態における 240 個の流量と圧力の測定値が含まれています。3 つの故障タイプ (ポンプ シリンダーの漏れ、ポンプ入口のブロック、ポンプ ベアリング摩擦の増加) があります。測定値は故障なし、1 つの故障、または複数の故障が存在する状態をカバーしています。データは各行が異なる測定値である table に集められています。

load('savedPumpData') pumpData

pumpData=240×3 tableflow pressure faultCode __________________ __________________ _________ {1201x1 timetable} {1201x1 timetable} 0 {1201x1 timetable} {1201x1 timetable} 0 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 0 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 {1201x1 timetable} {1201x1 timetable} 100 ⋮

diagnosticFeatureDesignerコマンドを使用して診断特徴デザイナーを開きます。ポンプ データをアプリにインポートします。データは複数メンバーのアンサンブルとして整理されているので、インポートでこのオプションを使用します。

インポートする変数をpumpDataとしていったん指定すると、インポートするさまざまな信号を確認できるようになります。変数faultCodeが状態変数であることを確認します。状態変数は故障の有無を示し、アプリによってグループ化と分類のために使用されます。

データのプロットと故障コードによるグループ化

データ ブラウザーの[信号とスペクトル]セクションからflowを選択し、プロット ギャラリーで[信号トレース]をクリックして流量信号をプロットします。pressure信号も同じ方法でプロットします。

これらのプロットは、データセット内の 240 個すべてのメンバーについて圧力信号と流量信号を示しています。[信号トレース]タブをクリックして["FaultCode" でグループ化]を選択すると、同じ故障コードをもつ信号が同じ色で表示されます。この方法で信号をグループ化すると、異なる故障タイプの信号間に明確な違いがあるかどうかをすばやく判定することができます。この場合、測定された信号には異なる故障コードによる明らかな違いが見られません。

時間領域の特徴の抽出

測定信号に異なる故障状態による違いが見られないため、次の手順として、信号の平均値および標準偏差など時間領域の特徴を信号から抽出します。ここに示されているダイアログ ボックスを開くには、[時間領域の特徴]を選択し、次に[信号の特徴]を選択します。抽出する特徴を選択して,[OK]をクリックします。ここでは[結果のプロット]チェック ボックスをオフにします。結果は、特徴が各種の故障状態を区別するのに役立つかどうかを確認するために、後ほどプロットします。ダイアログ ボックスの上部で選択されている信号を変更して、このプロセスを圧力信号について繰り返します。

周波数領域の特徴の抽出

往復ポンプはドライブ シャフトとシリンダーを使って流体を移動させます。ポンプの機械的な構造のため、ポンプの流量と圧力に周期的な変動が見られると予測されます。たとえば、信号トレース プロットの下の信号パナーを使用して、流量信号のセクションを拡大します。

流量の周波数スペクトルを計算することで流量信号の周期性が強調表示され、さまざまな故障状態下で流量信号がどのように変化するかの理解が深まります。自己回帰法を使用して周波数スペクトルを推定します。このメソッドは、指定された次数の自己回帰モデルをデータに当てはめた後、その推定モデルのスペクトルを計算します。この方法は生のデータ信号への過適合を減らします。ここでは20のモデル次数を指定します。

計算したスペクトルを線形スケールでプロットすると、共振ピークが明確に示されます。故障コードでグループ化すると、異なる故障状態によってスペクトルがいかに変化するかが強調表示されます。

圧力信号についても同じ計算を行うと、結果から、さまざまな故障状態の区別に役立つ追加の特徴が提示されます。

ここで、ピーク、モーダル係数、帯域パワーなどのスペクトル特徴を計算することができます。250 Hz の後のピークは小さくなるので、これらの特徴を 25 ～ 250 Hz の比較的狭い周波数帯域で抽出します。各信号につき 5 つのスペクトル ピークを抽出する点に注意してください。ここでは[結果のプロット]チェック ボックスをオフにします。結果は、特徴が各種の故障状態を区別するのに役立つかどうかを確認するために、後ほどプロットします。ダイアログ ボックスの上部で選択されている信号を変更して、このプロセスを圧力信号について繰り返します。

特徴の表示

抽出したすべての特徴は、[特徴テーブル]ブラウザーに表示される table に収集されています。計算した特徴データを表示するには、データ ブラウザーからFeatureTable1を選択してプロット ギャラリーの[特徴テーブル ビュー]をクリックします。故障コードは、特徴テーブル ビューでテーブルの一番右の列にも表示されます。計算される特徴の数が増えると、テーブルに列が追加されます。

特徴テーブルをヒストグラムとして表示することで、異なる状態変数値 (つまり故障タイプ) に対する特徴の値の分布を確認できます。プロット ギャラリーの[ヒストグラム]をクリックしてヒストグラム プロットを作成します。異なる特徴のヒストグラムを表示するには、[次へ] ボタンと [前へ] ボタンを使用します。故障コードでグループ化されたヒストグラム プロットは、特定の特徴が故障タイプ間の強い差別化要因であるかどうかを判定するのに役立ちます。強い差別化要因である場合、その分布の間の距離はより遠くなります。3 重ポンプのデータでは、特徴の分布が重なる傾向にあり、特徴の識別に使用できることが明らかな特徴はありません。次の節では、自動ランク付けを使用して、どの特徴が故障の予測に役立つかを考えます。

特徴のランク付けとエクスポート

[特徴デザイナー]タブから[特徴のランク付け]をクリックしてFeatureTable1を選択します。アプリがすべての特徴データを収集し、ANOVA などのメトリクスに基づいて特徴をランク付けします。その後、メトリクス値に基づく重要度に従って特徴がリストされます。この場合、流量信号の RMS 値および圧力信号の RMS 値と平均値が、異なる故障タイプを互いから最も強く区別する特徴であることがわかります。

特徴を重要度でランク付けした後,次の手順でこれらをエクスポートし,これらの特徴に基づいて分類モデルが学習できるようにします。[エクスポート]をクリックして、[特徴を分類学習器にエクスポートします]を選択し、分類に使用する特徴を選択します。この場合、One-way ANOVAメトリクスが 1 より大きいすべての特徴、つまりpressure_ps_spec/Data_Zeta1までのすべての特徴をエクスポートします。その後、特徴は分類学習器に送られ、さまざまな故障を特定する分類器の設計に使用できるようになります。

分類学習器で5-fold cross validationを選択してセッションを開始します。

分類学習器から、すべての利用可能なモデルに学習させます。RUSBoosted treesメソッドの分類の正確性が最も高く、85% です。次の手順では、特徴 (特にスペクトル特徴) について反復し、スペクトルの計算方法を変更したり、帯域幅を変更したり、異なる周波数ピークを使用するなどして、分類の正確性を改善することができます。

3 重ポンプの故障の診断

この例では診断特徴デザイナーを使用して特徴の解析と選択を行い、3 重往復ポンプの故障を診断する分類器を作成する方法を説明しました。