决策模型的故障检测与诊断
状态监控包括区分错误状态和健康状态(故障检测），或者，当一个故障状态存在，确定故障的来源（故障诊断)。以设计为状态监测的算法，可以使用从系统中提取数据来训练决策模型，可以分析从测试数据中提取，以确定当前的系统状态指示灯状态指示灯。因此，该步骤在算法设计过程是识别条件指示符之后的下一步骤。
有关使用条件指示器进行故障预测的信息，请参见预测剩余使用寿命的模型。）
决策模型对状态监测的一些例子包括：
的阈值或上的状态指示器值界限的组，指示故障当指示器超过它
一种概率分布，描述条件指示符的任何特定值指示任何特定类型故障的可能性
一个分类器，它将条件指示器的当前值与与故障状态相关的值进行比较，并返回出现某个或另一个故障状态的可能性
通常，在测试用于故障检测或诊断的不同模型时，需要构造一个包含一个或多个条件指示器值的表。条件指示符是从表示不同健康和错误操作条件的集合中的数据中提取的特性。(见条件指标监测，故障检测和预测）将数据划分为一个子集，您使用的训练决策模型（这是非常有用的训练数据），并且你要用于验证（不相交的子集验证数据)。与使用重叠数据集进行训练和验证相比，使用完全独立的训练和验证数据通常会让你更好地了解决策模型在使用新数据时会如何执行。
在设计算法时，可以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、不同的指标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是迭代的。
统计和机器学习工具箱™和其他工具箱包括可以用于训练决策模型(如分类器和回归模型)的功能。这里总结了一些常见的方法。
特征选择
特征选择通过消除与您试图执行的分析无关的特性，技术可以帮助您减少大型数据集。在状态监视上下文中，不相关的特性是那些不能将健康操作与错误操作区分开来或帮助区分不同故障状态的特性。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，因为当系统性能下降时，它们会以一种可检测的、可靠的方式发生变化。特征选择的部分功能包括:
主成分分析——执行主成分分析，其发现占观测值的最大变化独立的数据变量的线性组合。举例来说，假设你有你的合奏，从中提取出许多功能中的每个成员十个独立的传感器信号。在这种情况下，主成分分析可以帮助你确定哪些功能或特征的组合是最有效的隔离在你的合奏所代表的不同的健康和故障情况。这个例子风力机高速轴承预测使用此方法进行特征选择。sequentialfs-对于一组候选特征，通过连续选择特征，直到在识别方面没有改进，确定最能区分健康和错误状态的特征。fscnca- 利用邻里成分分析的分类执行特征选择。这个例子使用Simu万博1manbetxlink生成故障数据使用此函数对所提取的条件指标列表按其在区分故障条件中的重要性进行权重。
有关与特征选择相关的更多函数，请参见降维和特征提取（统计和机器学习工具箱）。
统计分布拟合
当您有一个包含条件指示符值和相应故障状态的表时，您可以将这些值匹配到统计分布。将验证或测试数据与结果分布进行比较，可以得出验证或测试数据对应于一个或其他故障状态的可能性。您可以使用的功能包括:
ksdensity-估计样本数据的概率密度。histfit-生成一个直方图从数据，并拟合到一个正态分布。这个例子离心泵的稳态故障诊断使用这种方法。中兴通讯-检验似然数据来自指定的平均数和标准偏差的正态分布。
有关统计分布的更多信息，请参见概率分布（统计和机器学习工具箱）。
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，在这种机器学习中，算法“学习”从标记数据的例子中对新的观察结果进行分类。在故障检测和诊断的上下文中，您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一个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错误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从一个新的数据集中提取一组状态指示值，并猜测哪个状态是健康的，哪个状态是错误的。在实践中，您使用您的集成的一部分来进行训练，并保留集成的一个不相交的部分来验证经过训练的分类器。
统计和机器学习工具箱包括许多函数，你可以用来训练分类器。这些功能包括:
fitcsvm-训练二元分类模型来区分两种状态，如故障状态的存在或不存在。的例子使用Simu万博1manbetxlink生成故障数据使用此函数训练一个带有基于特征的条件指示器表的分类器。这个例子离心泵的稳态故障诊断也使用这个函数，通过将数据拟合到一个静态模型得到的参数的统计属性来计算基于模型的条件指标。fitcecoc- 训练一个分类的多个国家之间的区别。此功能可降低多类分类问题的一组二元分类的。这个例子利用模拟数据进行多类故障检测使用这个功能。fitctree-通过将问题简化为一组二叉决策树来训练一个多类分类模型。fitclinear-训练一个分类器使用高维训练数据。当您有大量的条件指示器，而您无法使用诸如此类的函数来减少这些指示器时，此函数将非常有用fscnca。
其他机器学习技术包括k - means聚类(kmeans)，它将数据划分为相互排斥的集群。在这种技术中，通过最小化数据点到被分配集群的平均位置的距离，将一种新的度量分配给一个集群。树套袋是另一种技术，它将决策树集合起来进行分类。这个例子离心泵的稳态故障诊断使用一个TreeBagger分类。
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（统计和机器学习工具箱）。
动态模型回归
另一种故障检测和诊断的方法是使用模型识别。在这种方法中，您可以评估处于健康和错误状态的系统操作的动态模型。然后，分析哪个模型更可能解释来自系统的实时测量。当您拥有一些关于系统的信息，这些信息可以帮助您选择用于标识的模型类型时，此方法非常有用。要使用这种方法，你:
从运行在健康状态和已知故障、退化或寿命结束状态下的系统中收集或模拟数据。
确定表示每个健康和故障状态下的行为的动态模型。
使用集群技术来明确区分这些条件。
从一台机器在运转收集新的数据，并确定其行为的模型。然后，您可以决定哪些其他车型，健康或错误的，是最有可能解释所观察到的行为。
这个例子故障检测的数据基础的模式使用这种方法。用于识别动态模型的函数包括:
您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）方法是用于监测和评估制成品的质量的技术。SPC是在定义程序，使用测量，分析，改进和控制开发和生产过程。在预测性维护的情况下，控制图和控制规则可以帮助您确定何时条件指标值显示故障。举例来说，假设你有一个状态指示灯，指示故障如果超过阈值，但也表现出一些正常的变化，使超过阈值时，很难识别。可以使用控制规则来定义阈值条件下，当连续测量的指定数量超过阈值出现的，而不是仅仅一个。
controlchart-可视化控制图。controlrules-确定控制规则并确定是否违反。cusum-检测数据平均值的微小变化。
有关统计过程控制的更多信息，请参见统计过程控制（统计和机器学习工具箱）。
Changepoint检测
另一种检测故障条件的方法是随着时间的推移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断层的指示。您可以使用一些函数来进行这种更改点检测，包括:
findchangepts-发现信号中的突变。findpeaks- 查找信号峰值。段-细分数据和估计AR, ARX, ARMA，或ARMAX模型为每个细分。这个例子故障检测的数据基础的模式使用这种方法。
相关话题
您也可以从以下列表中选择一个网站:
