主要内容

故障检测与诊断的决策模型

状态监视包括区分故障状态和正常状态(故障检测)或在出现故障状态时，确定故障的来源(故障诊断)．要设计用于状态监视的算法，您需要使用从系统数据中提取的状态指示器来训练一个决策模型，该模型可以分析从测试数据中提取的指示器来确定当前系统状态。因此，算法设计过程中的这一步是确定条件指标后的下一步。

(有关使用状态指示器进行故障预测的信息，请参见剩余使用寿命预测模型)。

用于状态监测的决策模型的一些例子包括:

  • 条件指示器值上的阈值或一组界限，当指示器超过该值时指示故障

  • 描述条件指示器的任何特定值指示任何特定类型故障的可能性的概率分布

  • 一个分类器，它将条件指示器的当前值与故障状态相关联的值进行比较，并返回存在一个或另一个故障状态的可能性

通常，当您测试用于故障检测或诊断的不同模型时，您需要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合中的数据中提取的特征。(见用于监控、故障检测和预测的状态指标)。将数据划分为用于训练决策模型的子集是很有用的训练数据)和用于验证的不相交子集验证数据)．与使用重叠数据集的训练和验证相比，使用完全独立的训练和验证数据通常会让您更好地了解决策模型在新数据下的表现。

在设计算法时，您可能会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，当您尝试不同的指标、指标的不同组合和不同的决策模型时，设计过程中的这一步可能与提取条件指标的步骤一起迭代。

统计和机器学习工具箱™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。

特征选择

特征选择技术通过消除与您试图执行的分析无关的特征来帮助您减少大型数据集。在状态监视上下文中，不相关的特征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征。换句话说，特征选择意味着识别那些适合作为条件指示器的特征，因为它们随着系统性能的退化而以可检测的、可靠的方式变化。特征选择的一些功能包括:

  • 主成分分析——执行主成分分析，该方法找到了导致观测值变化最大的独立数据变量的线性组合。例如，假设您有10个独立的传感器信号为您的集合的每个成员，从中提取许多特征。在这种情况下，主成分分析可以帮助您确定哪些特征或特征组合最有效地分离集成中表示的不同健康和故障状况。这个例子风力机高速轴承预测使用这种方法进行特征选择。

  • sequentialfs-对于一组候选特征，通过顺序选择特征，确定最能区分健康状况和故障状况的特征，直到辨别能力没有改善为止。

  • fscnca-使用邻域成分分析进行分类的特征选择。这个例子利用Simu万博1manbetxlink生成故障数据使用此函数根据提取的条件指示符在区分故障条件中的重要性对其列表进行加权。

有关特征选择的更多函数，请参见降维与特征提取．

统计分布拟合

当您拥有一个包含条件指示器值和相应故障状态的表时，您可以将这些值拟合到统计分布中。将验证或测试数据与结果分布进行比较，可以得到验证或测试数据对应于一个或其他故障状态的可能性。你可以使用的函数包括:

有关统计分布的详细信息，请参见概率分布．

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。分类是一种有监督的机器学习，其中算法“学习”从标记数据的示例中对新观察结果进行分类。在故障检测和诊断上下文中，可以将来自集成的条件指示器及其对应的故障标签传递给训练分类器的算法拟合函数。

例如，假设您为跨越不同健康和故障条件的数据集合中的每个成员计算一个条件指示符值表。您可以将此数据传递给适合分类器模型的函数。这训练数据训练分类器模型以获取从新数据集中提取的一组状态指示器值，并猜测哪个健康或故障条件适用于数据。在实践中，您使用集合的一部分进行训练，并保留集合中不相连的部分用于验证训练的分类器。

统计和机器学习工具箱包括许多可以用来训练分类器的函数。这些功能包括:

其他机器学习技术包括k - means聚类（kmeans)，将数据划分为互斥的群集。在这种技术中，通过最小化从数据点到所分配的集群的平均位置的距离，将新的测量值分配给集群。Tree bagging是另一种将决策树集合起来进行分类的技术。这个例子基于稳态实验的离心泵故障诊断使用一个TreeBagger分类器。

有关用于分类的机器学习技术的更多一般信息，请参见分类．

动态模型回归

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操作的动态模型。然后，分析哪个模型更有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标识的模型类型时，这种方法非常有用。要使用这种方法，您需要:

  1. 收集或模拟运行在健康状态和已知故障、降级或寿命终止条件下的系统的数据。

  2. 确定表示每个正常状态和故障状态下的行为的动态模型。

  3. 使用聚类技术在这些条件之间做出清晰的区分。

  4. 从运行中的机器收集新数据，并确定其行为模型。然后，您可以确定哪个其他模型(健康的或错误的)最有可能解释所观察到的行为。

这个例子基于数据模型的故障检测使用这种方法。可用于识别动态模型的函数包括:

你可以使用函数预测预测已识别模型的未来行为。

控制图

统计过程控制(SPC)方法是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。在预测性维护的上下文中，控制图和控制规则可以帮助您确定条件指标值何时表示故障。例如，假设您有一个条件指示器，它在超过阈值时指示故障，但也显示一些正常的变化，使得在超过阈值时难以识别。您可以使用控制规则将阈值条件定义为当指定数量的连续测量超过阈值时发生，而不是仅发生一次。

  • controlchart-可视化控制图。

  • controlrules—定义控制规则，并判断是否违反控制规则。

  • cusum—检测数据均值的微小变化。

有关统计过程控制的详细信息，请参见统计过程控制．

Changepoint检测

检测故障条件的另一种方法是随着时间跟踪条件指示器的值，并检测趋势行为中的突然变化。这种突然的变化可能是故障的征兆。你可以使用一些函数来进行这样的变更点检测，包括:

相关的话题