决策模型的故障检测和诊断
状态监测包括区分错误和健康状态(故障检测),或者当一个错误状态存在,确定故障的来源(故障诊断)。设计一个状态监测算法,使用条件指标从系统中提取数据来训练一个决策模型,可以分析从测试数据中提取的指标来确定当前的系统状态。因此,这一步在算法设计过程后下一步识别条件指标。
(对于使用状态指标故障预测的信息,明白了模型预测剩余寿命)。
决策模型对状态监测的一些例子包括:
一个阈值或设置工况指示器的界限值,表明一个错误当指标超过它
概率分布描述的任何特定值的可能性条件指标表明任何特定类型的错
分类器相比,当前值的状态指示值与故障状态,并返回一个或另一个故障状态的可能性
一般来说,当你正在测试不同的故障检测和诊断模型,您构建一个表值的一个或多个条件指标。您提取的条件指标特性从一个数据代表不同的健康和错误的操作条件。(见条件指标监测、故障检测和预测)。是有用的数据分割成一个子集,你决策模型(用于培训训练数据)和一个用于验证(不相交的子集验证数据)。相比与重叠的数据集训练和验证,使用完全独立的培训和验证数据通常给你一个更好的了解如何决策模型将执行新的数据。
在设计算法时,你可能会测试不同的故障检测和诊断模型使用不同条件指标。因此,这一步在设计过程中很可能迭代的步骤提取条件指标,当你尝试不同的指标,指标的不同组合,不同的决策模型。
统计和机器学习工具箱™和其它工具箱包括功能,您可以使用训练决策模型分类和回归等模型。这里总结了一些常见的方法。
特征选择
特征选择技术帮助你减少大型数据集通过消除那些无关的特性,分析您试图执行。在状态监测的背景下,无关的特性是那些不独立健康的错误操作或帮助区分不同故障状态。换句话说,特征选择方法确定这些特性,适合作为检测指标,因为他们改变条件,可靠的方法作为系统性能降低。对特征选择一些函数包括:
主成分分析——执行主成分分析,发现独立的数据变量的线性组合,占最大的观测值的变化。例如,假设你有十个独立的传感器信号每个成员的合奏,你提取许多功能。在这种情况下,主成分分析可以帮助你确定哪些特性或功能的组合是最有效的分离所代表的不同的健康和有缺陷的条件在你的合奏。这个例子风力涡轮机高速轴承的预后使用该特征选择方法。sequentialfs——一组候选特征,确定最好的特性区别健康和有缺陷的条件下,通过顺序选择功能,直到没有歧视的改善。fscnca——执行使用社区组件特征选择的分类分析。这个例子利用仿真软件万博1manbetx生成故障数据使用这个函数重量列表提取条件指标根据其重要性在区分故障条件。
更多的功能与特征选择,明白了降维特征提取。
统计分布拟合
当你有一个表的状态指示值和相应的故障状态,可以适应值的统计分布。比较验证或测试数据生成的收益率分布的可能性验证或测试数据对应于一个或另一个故障状态。一些函数可以使用这些配件包括:
ksdensity——估计样本数据的概率密度。histfit从数据生成柱状图,符合正态分布。这个例子离心泵的故障诊断使用稳态实验使用这种方法。中兴通讯——测试数据来自正态分布的可能性与指定的平均值和标准偏差。
关于统计分布的更多信息,请参阅概率分布。
机器学习
有几种方法可以将机器学习技术应用到故障检测和诊断的问题。分类是一种监督的机器学习算法分类“学习”新观测带安全标签的数据的例子。在故障检测和诊断的背景下,你可以通过状态指标来源于一个及其相应的故障标签algorithm-fitting函数,训练分类器。
例如,假设你计算工况指示器的表值为每个成员一个跨越不同的健康的数据和错误的条件。你可以将此数据传递给一个函数适合分类器模型。这训练数据列车的分类器模型提取一组工况指示器的值从一个新的数据集,猜猜这健康的或有缺陷的条件适用于数据。在实践中,你用你的合奏训练的一部分,和预定一个合奏的不相交的部分验证训练分类器。
统计和机器学习工具箱包括许多功能,您可以使用它们来训练分类器。这些功能包括:
fitcsvm——培养一个二进制分类模型来区分两种状态,故障状态的存在与否等。的例子利用仿真软件万博1manbetx生成故障数据使用这个函数来训练一个分类器表徵条件指标。这个例子离心泵的故障诊断使用稳态实验也使用这个函数,基于模型的条件指标计算统计特性的静态模型参数拟合得到的数据。fitcecoc在多个州——训练一个分类器来区分。这个函数可以减少一个多类分类问题的一组二进制分类器。这个例子使用模拟数据多层次故障检测使用这个函数。fitctree——火车多级分类模型通过减少问题的一组二叉决策树。fitclinear——使用高维训练数据训练分类器。这个函数可能是有用的,当你有大量的条件指标,你不能够减少使用等功能fscnca。
其他的机器学习技术包括k - means聚类(kmeans),该分区数据相互排斥的集群。在这种技术中,一个新的测量被指定到一个集群通过最小化的距离数据点的平均位置分配集群。树装袋是另一个聚合的技术决策树分类的合奏。这个例子离心泵的故障诊断使用稳态实验使用一个TreeBagger分类器。
关于机器学习技术的更一般的信息分类,看看分类。
回归与动态模型
另一种故障检测和诊断的方法是使用模式识别。在这种方法中,你估计动态模型的系统操作在健康和错误的状态。然后,分析哪种模式更容易解释现场测量的系统。这种方法是有用的,当你有一些信息系统可以帮助你选择一个类型识别模型。要使用这种方法,您:
收集或模拟数据从系统操作在一个健康的条件和已知的错误,退化或临终的条件。
确定一个代表每个健康的行为动态模型和故障条件。
使用集群技术来画一个明确区分的条件。
收集新数据从一台机器操作和识别其行为的典范。然后您可以确定哪些其他的模型,健康的或错误的,最有可能解释观察到的行为。
这个例子故障检测使用基于数据模型使用这种方法。函数可以用来识别动态模型包括:
您可以使用函数预测预测未来的行为识别模型。
控制图
统计过程控制(SPC)方法对监测和评估技术制成品的质量。程控用于项目定义、测量、分析、改善和控制开发和生产流程。上下文中的预见性维护,控制图表和控制规则可以帮助您确定当工况指示器值表示一个错。例如,假设您有一个状态指标表明故障如果它超过一个阈值,但也展示一些正常的变化,很难确定阈值时交叉。您可以使用控制规则来定义阈值条件时发生指定数量的连续测量超过阈值,而不是一个。
controlchart——可视化控制图。controlrules——定义控制规则并确定是否违反了。cusum——检测小变化数据的平均值。
关于统计过程控制的更多信息,请参阅统计过程控制。
Changepoint检测
检测错误条件的另一种方法是跟踪的价值随着时间的推移和检测条件指标突然的变化趋势的行为。这种突然的变化可以表明一个错误。一些函数可以使用这种changepoint检测包括:
findchangepts——找到突然变化的一个信号。findpeaks——在一个信号找到峰值。段——段数据和估计AR、ARX ARMA,每个段或ARMAX模型。这个例子故障检测使用基于数据模型使用这种方法。
