使用诊断特性设计器研究集成数据和比较特性
该诊断功能设计应用程序允许你工作流程中使用的多功能图形界面来完成的预测性维护的特征设计部分。您设计和交互比较功能。然后，确定哪些特性最好在从不同的基团，例如从标称系统数据，并从有故障的系统中的数据之间进行区分。如果已经运行到出现故障的数据，还可以评估哪些功能是最好的确定剩余使用寿命（RUL）。最有效的功能，最终成为故障诊断和预测你的病情的指标。
下图说明了预测性维护工作流和之间的关系诊断功能设计功能。
应用程序对集成数据进行操作。集成数据包含来自多个成员(如多个相似的机器)或单个机器(其数据按时间间隔(如天数或年份)分段)的数据度量。数据还可以包含条件变量，这些条件变量描述集成成员的故障条件或运行条件。条件变量通常定义的值称为标签。有关数据合奏的更多信息，请参阅用于状态监测和预测维护的数据集成。
在数据导入数据点在应用程序的工作流程开始即已经：
预处理与清理功能
组织成单个数据文件或包含或引用所有集成成员的单个集成数据文件
在诊断功能设计中，工作流包括从数据需要进一步处理数据的步骤，提取特征，和通过秩有效性的那些特征。工作流的结论与选择最有效的功能和导出这些功能的分类学习应用的模型训练。
工作流包括一个可选的MATLAB®码生成步骤。当生成代码，捕获的计算您选择的功能，可以用于较大的一组测量数据，其包括多个部件，例如不同厂家类似机器自动化这些计算。将得到的功能集提供额外的训练输入分类学习。
执行与诊断功能设计预测性维护任务
下面的图像示出的基本功能诊断功能设计。互动与您的数据和结果在标签，如使用控件功能设计标签是在图中所示。查看您的进口和派生变量，功能和数据集在数据浏览器。在绘图区可视化您的结果。
将导入的数据转换为统一的集成数据集
在使用应用程序的第一步是导入数据。您可以从表，时间表，或矩阵导入数据。您也可以导入包含允许应用程序进行交互与外部数据文件中的信息合奏数据存储。你的文件可以包含实际或模拟时域测量数据，光谱模型，变量名，条件和操作变量，并具有前面所生成的。诊断功能设计将所有成员数据组合到单个集成数据集中。在这个数据集中，每个变量都是一个集合信号或模型，其中包含所有的单个成员值。
要在多个会话中使用相同的数据，可以保存初始会话。会话数据包括导入的变量和您已计算的任何其他变量和特性。你可以在任何时候打开这个会话。
有关准备您的数据导入过程的信息，请参阅：
有关导入过程本身的信息，请参阅导入和可视化的数据集合中的诊断功能设计。
数据可视化
要绘制您导入或使用处理工具生成的信号或光谱，请从plot图库中选择。这里的图说明了一个典型的信号跟踪。交互式绘图工具允许您平移、缩放、显示峰值位置和峰值之间的距离，并显示集成内的统计变化。通过条件标签在绘图中分组数据，您可以清楚地看到成员数据是否来自，例如，标称的或有故障的系统。
有关在应用程序绘制的信息，请参阅导入和可视化的数据集合中的诊断功能设计。
计算新变量
要研究您的数据并为特征提取准备数据，请使用数据处理工具。每次应用处理工具时，应用程序都会创建一个新的派生变量，其名称包含源变量和所使用的处理。例如，如果你计算一个功率谱从变量振动/数据，新的派生变量名为Vibration_ps /数据。
所有信号的数据处理选项包括合奏级统计，信号的残基，滤波，以及功率和级光谱。您也可以将您的数据，如果你的会员的样品不会在相同的独立可变间隔进行插值计算，以一个统一的网格。
如果您的数据来自旋转机械，您可以执行时间同步信号平均(TSA)基于您的转速表输出或您的公称转速。从TSA信号中，您可以生成其他信号，如TSA残差信号和差分信号。这些tsa派生的信号通过保留或丢弃谐波和边带来隔离系统中的物理组件，它们是许多齿轮状态特性的基础。
许多处理选项可以独立使用。一些选项可以或必须为顺序进行。除了旋转机械及前面所讨论的信号TSA，另一实例为任何信号残渣的产生。您可以：
用综统计以产生如平均和最大单构件统计变量表征整个合奏。
用减去参考通过减去ensembl级值来为每个成员生成剩余信号。这些残差代表了信号之间的变化，并且更清楚地揭示了与集成的其余部分相背离的信号。
使用这些残留信号作为源附加处理选项或特征产生。
有关应用程序中的数据处理选项的信息，请参阅处理数据并在诊断功能设计器中探索功能。
计算选项
该应用程序提供了一种用于信号分段，合奏数据存储值的本地应用程序内缓冲，和并行处理的选项。
默认情况下，应用程序在一个操作中处理整个信号。您还可以细分的信号，并处理单个帧。基于帧的处理是非常有用的，如果你的合奏展览不稳定，时变的，或周期性行为的成员。基于帧的处理还支持预后的排名，因为它提供的特征值的时间历万博1manbetx程。
当你输入你的会员数据到应用程序，该应用程序创建一个本地乐团，并写入新的变量和功能应用到合奏。如果不是您导入集合数据存储对象，应用程序通过与对象列出的外部文件默认相互作用。如果你不想让应用程式写入到外部文件，你可以选择应用程序创建一个本地乐团和写有结果。之后，你有你想要的结果，你可以合奏导出到MATLAB工作区。从那里，你可以写变量和功能，你要保留回用命令行合奏数据存储功能，你的源文件。有关合奏数据存储的更多信息，请参阅用于状态监测和预测维护的数据集成。
如果您有并行计算工具箱™，您可以使用并行处理。因为该应用往往所有成员独立地执行相同的处理，并行处理可以显著提高计算时间。
生成要素
从原始和派生信号和频谱，可以计算的特点，并评估其有效性。你可能已经知道哪些功能是有可能的工作最好的，或者您可能希望与所有适用的功能进行试验。可用的功能的范围从普通的信号统计来专门齿轮条件度量，可识别故障的精确位置，并且，突出混沌行为非线性的特征。
每当你计算一组特征时，应用程序就会将它们添加到特征表中，并生成成员间值分布的直方图。这里的图说明了两个特征的直方图。直方图说明了每个特征如何很好地区分数据。例如，假设您的条件变量是的faultcode与各国0对于主系统数据和1为有故障的系统数据，如在图中。您可以在直方图看到名义和错误的分组是否会导致不同的或混杂的直方图块。您可以一次查看所有功能直方图或选择哪些功能的应用程序包括在直方图集。
要将所有功能部件的值放在一起比较，请使用功能部件表视图和功能部件跟踪图。特征表视图显示了所有集成成员的所有特征值的表。特性跟踪绘制这些值。此图将集合中的特征值的散度可视化，并允许您识别特征值所代表的特定成员。
有关功能产生和应用直方图解释的信息，请参阅：
排名功能
直方图允许您对特性有效性进行初始评估。要执行更严格的相对评估，可以使用专门的统计方法对特性进行排序。该应用程序提供两种类型的排名-分类排名和预后排名。
分类排序方法和评分等级通过之间或数据组，如标称和错误行为之间之间进行区分的能力的特征。分类排名要求包含表征数据组标签条件变量
预后分级方法根据追踪退化的能力进行评分和分级，以便能够预测剩余使用寿命(RUL)。预后分级需要真实或模拟的运行到故障或故障进展数据，不使用条件变量。
这里的图说明分类结果排名。你可以尝试多种方法排序，并查看每个方法的结果一起。排名结果让你消除无效的功能和计算得到的变量或功能时，评估的参数调整的排名效果。
有关功能的排名信息，请参见：
诊断功能设计功能选项卡排名和排名技术部分
将特征导出到分类学习器
你定义了你的候选特征集后，可以将其导出到分类学习应用程序在统计和机器学习工具箱™。分类学习训练模型通过使用自动化方法对数据进行分类，用一个特性集测试不同类型的模型。分类学习确定最佳模型和最有效的功能。对于预测性维护，使用的目标分类学习是选择和培养模型，从健康数据之间，并从有故障系统鉴别。你可以将这个模型转化为故障检测和预测算法。对于从应用程序导出到的一个例子分类学习见分析和选择功能用于泵诊断。
您还可以将特性和数据集导出到MATLAB工作区。这样做允许您使用命令行函数或其他应用程序可视化和处理原始和派生的集成数据。在命令行，您还可以将选择的特性和变量保存到文件中，包括集成数据存储中引用的文件。
有关导出的信息，请参阅在诊断功能设计器中排列和导出功能。
生成MATLAB为您的特性编写代码
生成您选择，让您可以使用MATLAB功能自动化功能的计算功能代码。例如，假设你有很多成员的大量输入数据集，但对于快速响应的应用程序，要使用这些数据的一个子集，当你第一次探讨可能的功能交互。当您使用的应用程序确定最有效的功能，您可以生成代码，然后采用相同的计算使用生成的代码的功能，所有成员的数据集。较大的成员集，您可以提供更多样的培训投入分类学习。
功能[featureTable，可输出] = diagnosticFeatures（inputData）％DIAGNOSTICFEATURES再现在诊断功能设计的结果。％
也可以看看
相关的例子
更多关于
您还可以选择从下面的列表中的网站：
