探索整体数据和比较功能使用诊断功能设计
的诊断功能设计应用程序允许您实现的功能设计部分预见性维护工作流使用多功能的图形界面。你可以交互式地设计和比较的功能,然后决定哪些特性是最好的在识别数据从不同的群体,如名义系统和有缺陷的系统。如果您有run-to-failure数据,还可以评估哪些特性最适合确定剩余使用寿命(原则)。最有效的故障诊断功能可以最终成为你的条件指标和预测。
下图说明了预见性维护工作流和之间的关系诊断功能设计功能。
应用整体数据进行操作。整体数据包含来自多个成员的数据测量,如从多个类似的机器或在一台机器上的数据分段等时间间隔几天或几年。数据还可以包括条件变量,描述故障状态或操作条件的乐团成员。通常称为条件变量定义值标签。数据集合体的更多信息,请参阅数据集合体状态监测和预测维护。
应用工作流开始数据导入数据的时候已经:
预处理与清理功能
组织到单个数据文件或一个合奏乐团成员数据文件,其中包含或引用
在诊断功能设计,工作流包含所需的步骤进一步处理你的数据,从数据中提取特征,等级特征的有效性。工作流结尾选择最有效的特性和出口这些特性分类学习者应用模型的训练。
工作流包含一个可选的MATLAB®代码生成步骤。当您生成代码捕获特性的计算你选择哪一个,你可以自动化这些计算更大的组测量数据,包括更多的成员,如从不同的工厂类似的机器。由此产生的特性集提供额外的培训投入分类学习者。
执行预测与诊断功能设计维护任务
下图显示了基本的功能诊断功能设计。与你的数据和结果通过控制标签等功能设计选项卡,图中所示。查看您的进口和派生变量、特性和数据集数据浏览器。想象你的结果在绘图区域。
进口数据转换成统一的整体数据集
使用应用程序的第一步是创建一个新会话和导入数据。可以导入数据表、时间表、细胞数组或矩阵。您还可以导入一个数据存储,其中包含的信息,允许应用程序与外部数据文件。你的文件可以包含实际或模拟时域测量数据,光谱模型或数据,变量名,条件和操作变量和生成功能。诊断功能设计将你所有的成员数据组合成一个整体数据集。在这个数据集,每个变量是一种集体信号或模型,该模型包含所有个体成员的值。
使用相同的数据在多个会话,您可以保存在一个会话初始会议文件。会话数据包括进口变量和任何额外的变量和特征计算。在随后的会议,您可以打开会话文件并继续处理你的导入和导出数据。
准备和导入数据的信息,请参阅:
导入过程本身的信息,请参阅导入和可视化设计师整体数据的诊断功能。
可视化数据
绘制的信号或光谱导入或生成与处理工具,从情节画廊选择情节类型。图代表了一种典型的信号跟踪。交互式绘图工具允许你锅、放大、显示峰值位置和峰之间的距离,并显示统计系综中的变化。分组条件标签数据的情节让你清楚地看到是否来自成员数据,例如,名义或有缺陷的系统。
在绘图应用程序的更多信息,请参阅导入和可视化设计师整体数据的诊断功能。
计算新变量
探索你的数据和准备数据进行特征提取,使用数据处理工具。每次你应用处理工具,应用程序创建一个新的派生变量名称包含源变量和使用最新的处理步骤。例如:
如果你time-synchronous信号平均(TSA)处理应用于变量
振动/数据
,新的派生变量名Vibration_tsa /数据
。如果你计算的功率谱
Vibration_tsa /数据
,新变量名Vibration_ps / SpectrumData
。这个新名字既反映了最新的处理ps
事实上,变量是一个范围,而不是一个信号。
获得更多关于一个变量的信息,使用细节窗格。在这个领域,你可以找到信息,如直接源信号和独立变量。还可以绘制处理历史变量并查看最近操作的参数。
为所有信号数据处理选项包括ensemble-level统计、信号残留物,过滤和权力和光谱。你也可以插入你的样本数据统一电网如果你的成员不发生在同一自变量的间隔。
如果您的数据来自于旋转机械,你可以执行TSA处理基于转速计输出或名义rpm。TSA的信号,您可以生成额外的信号如TSA残余和差分信号。这些TSA-derived信号隔离物理组件在系统通过保留或丢弃谐波,显然,他们是许多齿轮的基础条件特征。
可以独立使用的许多处理选项。一些选项可以或必须表现为一个序列。除了旋转机械和TSA信号之前所讨论的,另一个例子是残留一代对于任何信号。您可以:
使用系综统计生成单一统计变量均值和max等描述整个合奏。
使用减去参考为每个成员产生残余信号减去ensemble-level值。这些残留物代表信号之间的差异,可以更清楚地揭示信号偏离的其余部分。
使用这些残余信号作为额外的源代处理选项或特性。
在应用数据处理选项的信息,明白了处理数据和探索功能诊断功能设计。
框架和并行处理
框架的应用程序提供了选项(分段)和并行处理。
默认情况下,应用程序在一个操作流程整个信号。你也可以部分的信号和处理单个的框架。框架处理特别有用如果你乐团的成员表现出非平稳的,时变,或定期的行为。框架处理还支持预后排名,因为它提供了一个时间的历史特性值金宝app。
如果你有并行计算工具箱™,你可以使用并行处理。因为这个应用程序通常在所有成员独立执行相同的处理,并行处理可以显著提高计算时间。
生成功能
从你的原创和衍生信号和光谱,可以计算特性和评估其有效性。你可能已经知道哪些特性可能效果最好,或者你可能想尝试所有的适用的特性。可用的范围从通用信号统计特性,专门的齿轮条件指标,可以识别故障的精确位置,非线性特性,突出混沌行为。
任何时候你计算一组特性,应用程序将它们添加到功能表和生成的直方图分布值的成员。这里的图演示了两个特征直方图。直方图的说明每个功能区分标记数据。例如,假设你的条件变量faultCode
与国家0
(蓝色)和标称系统数据1
(橙色)faulty-system数据,如下图所示。你可以看到在直方图名义和错误的分组是否导致不同或直方图箱混杂在一起在垃圾箱的颜色混合。您可以查看所有的特征直方图或选择哪些特性中的应用包括直方图情节设置。在图中,CrestFactor
垃圾箱是主要是纯蓝色或纯橙色,这表明良好的分化。的峰度
直方图箱主要是一个黑暗的橙色之间混合蓝色和橙色,表明分化较差。
一起比较的值你所有的功能,使用该功能表视图和功能跟踪情节。功能表视图显示一个表的所有的特征值集合成员。特征跟踪情节这些值。这张图可视化特性值的散度在你的合奏和允许您识别特征值代表的特定成员。
直方图特征生成和解释信息的应用程序,看到:
等级特性
柱状图允许您执行功能效果的初步评估。执行更严格的相对评估,你可以排名功能使用专门的统计方法。这个应用程序提供了三种类型的排名:监督排名,无人监督的排名,预后排名。
监督排名,其中包括方法分类排名,分数和排名的功能区分的能力或者数据组,如名义和错误的行为。监督排名需要包含标签,描述数据的条件变量组。
无人监督的排名不需要数据标签。这种类型的排名分数和排名功能基于他们倾向于集群与其他特性。
分数和排名功能预后排名方法基于跟踪的能力退化为了使剩余使用寿命的预测(原则)。预后排名需要真实或者模拟run-to-failure fault-progression数据和不使用条件变量。
下图说明了监督分类排名结果。你可以尝试多个排名方法,从每个方法一起查看结果。排名结果让你消除无效的特性和评估参数调整时的排名影响计算派生变量或特性。
在功能的排名的信息,见:
诊断功能设计部分为排名功能选项卡和技术排名
导出功能分类学习者
在你定义你的候选特征集,您可以出口的分类学习者在统计和机器学习的工具箱™应用程序。分类学习者火车模型分类数据通过使用自动化的方法来测试不同类型的特性集模型。在这一过程中,分类学习者确定最好的模型和最有效的特征。预见性维护,使用的目标分类学习者是选择和训练模型,数据从健康和有缺陷的系统之间的歧视。你可以将这个模型合并到一个故障检测算法和预测。的输出的一个示例应用程序分类学习者,请参阅为泵诊断分析和选择特性。
您还可以导出功能和数据集MATLAB工作区。这样做允许您可视化和处理原始的和派生的整体数据使用命令行功能或其他应用程序。在命令行上,您还可以将功能和变量选择保存到文件,包括文件中引用一个数据存储中。
出口的信息,请参阅等级和导出功能诊断功能设计。
生成MATLAB代码功能
除了出口自己的特性,您可以生成一个繁殖的MATLAB函数创建这些特性的计算。允许您生成代码自动化特性计算与不同的数据集。例如,假设您有一个大的输入数据集有很多成员,但对于更快的应用程序响应,您想要使用这些数据的一个子集当你第一次交互式地探索可能的特性。之后你确定最有效的特征使用这个应用程序,您可以生成代码,然后使用这些代码应用相同的特性计算全体委员的数据集。更大的成员可以提供更多的样本集训练输入分类学习者。
下面的图展示了代码生成选项卡,允许您执行详细的查询选择特性基于标准等特征输入和计算方法。
函数[featureTable, outputTable] = diagnosticFeatures (inputData)% DIAGNOSTICFEATURES再现结果诊断功能的设计师。%