打开诊断功能设计

加载三缸泵故障数据。该泵的数据包含不同故障条件240点的流量和压力的测量。有三种故障类型（泄漏泵缸，阻止泵的入口，增加泵的轴承摩擦）。测量涵盖零个，一个或多个故障存在的条件。数据在一个表，其中每行是不同的测量收集。

负载(“savedPumpData”)pumpData

pumpData =240×3表流压力的faultcode __________________ __________________ _________ {1201x1时间表} {1201x1时间表{0 1201x1时间表} {1201x1时间表{0 1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表}100 {1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表} 100 {1201x1时间表}{1201x1时间表} 100 {1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表{0 1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表} 100 {1201x1时间表} {1201x1时间表}×100⋮

开放诊断功能设计通过使用diagnosticFeatureDesigner命令。将泵浦数据导入应用程序。数据组织为多成员集合，因此使用该选项进行导入。

一旦我们指定了要导入的变量pumpData，然后我们可以查看我们正在导入的各种信号。确保faultCode变量是一个条件变量。条件变量表示是否存在故障，并被应用程序用于分组和分类

绘图数据和集团通过故障代码

绘制通过选择流信号流来自信号和光谱部分的数据浏览器和单击信号线在情节画廊。绘出压力信号以同样的方式。

这些图显示了数据集中240个成员的压力和流量信号。你可以点击信号线选项卡并选择通过故障代码组与在相同的颜色相同的故障代码显示信号。分组这样的信号可以帮助您快速确定是否有不同的故障类型的信号之间的任何明显的差异。在这种情况下，所测量的信号不显示不同的故障代码的任何明显的差异。

提取时域特征

由于被测信号在不同的故障条件下没有表现出任何差异，下一步就是从信号中提取信号均值、标准差等时域特征。要打开此处显示的对话框，请选择时域特征接着信号特征.选择要提取的特性并单击好.现在，清除绘图结果复选框。稍后我们将绘制结果，以确定这些特征是否有助于区分不同的故障条件。通过改变对话框顶部选择的信号，对压力信号重复此过程。

提取频域特征

往复泵使用传动轴和气缸来泵送液体。由于泵的机械结构，我们预计泵的流量和压力会有周期性波动。例如，使用信号跟踪图下面的信号窗格放大流信号的一部分。

计算流量的频谱可以突出流量信号的循环特性，可以更好地了解流量信号在不同故障条件下的变化。用自回归方法估计频谱。该方法对数据按预定顺序进行自回归模型拟合，然后计算估计模型的谱。这种方法减少了对原始数据信号的过度拟合。在本例中，指定的是20..

在线性标度上绘制计算出的谱线清楚地显示出共振峰。按故障代码分组突出了不同故障条件下频谱的变化。

执行相同的计算对于压力信号作为结果将提供额外的功能，以帮助区分不同的故障状况。

现在，我们可以计算出光谱特征，如山峰，模态系数和带电源。我们提取25-250赫兹之间的频率更小的带，这些特征之后250赫兹的峰值较小。请注意，我们提取每个信号5个谱峰。现在，清除绘图结果复选框。稍后我们将绘制结果，以确定这些特征是否有助于区分不同的故障条件。通过改变对话框顶部选择的信号，对压力信号重复此过程。

视图功能

我们提取的所有特征都被收集在一个表中，如功能表浏览器。要查看计算出的特征数据，请选择FeatureTable1从数据浏览器中单击功能表视图在情节画廊。故障码也显示在要素表视图如在表的最右列。随着越来越多的功能被计算，更多的列获得附加表中。

可以通过查看要素表作为直方图看到的特征值的不同条件变量值，即故障类型，分布。请点击直方图在plot图库中创建直方图图。使用next和previous按钮显示不同特性的直方图。根据故障代码分组的直方图图可以帮助确定某些特性是否是故障类型之间的强区分器。如果它们是强微分算子，它们的分布将会更加远离彼此。对于三泵数据，特征分布趋于重叠，没有明显的特征可以用来识别故障。下一节将介绍如何使用自动排序来查找哪些特性更适合于故障预测。

排名和导出功能

从功能设计选项卡上,单击排名功能并选择FeatureTable1.该应用程序将收集所有特征数据和排名基于一个指标，如方差分析的功能。该功能然后在基于度量值重要性方面上市。在这种情况下，我们可以看到，对于用于压力信号的流量信号和RMS值和平均值的RMS值是最强烈彼此区分不同故障类型的功能。

之后，我们在重要性方面都位居我们的特色，下一步就是以出口为主，这样也可以培养基于这些特征的分类模型。请点击出口，选择导出到分类学习器，并选择要用于分类的特征。在这种情况下，我们将导出所有具有一个特征单因素方差分析公制> 1，即，所有功能，直到和包括pressure_ps_spec / Data_Zeta1.然后将特性发送到分类学习并且可以用来设计一个分类器来识别不同的故障。

在分类学习，选择5倍交叉验证并启动会话。

从分类学习，培训所有可用的模型。的RUSBoosted树方法具有81％的最高的分类精度。下一步骤可以是迭代上的特征 - 尤其是光谱特征 - 或许修改频谱计算方法，改变带宽，或者使用不同的频率峰值来提高分类精度。

诊断三泵故障

这个例子演示了如何使用诊断功能设计分析和选择功能，并创建一个分类的三缸往复泵，诊断故障。