故障检测与诊断的决策模型
状态监测包括区分故障状态和正常状态(故障检测)或者，当存在故障状态时，确定故障源(故障诊断)。要设计用于状态监控的算法，请使用从系统数据中提取的状态指标来训练决策模型，该决策模型可以分析从测试数据中提取的指标，以确定当前系统状态。因此，算法设计过程中的这一步是识别条件指标后的下一步。
（有关使用条件指标故障预测信息，请参见剩余使用寿命预测模型.)
状态监控决策模型的一些示例包括：
条件指示符值的阈值或界限集，当指示符超过该值时指示故障
描述的可能性的概率分布，所述条件指示器的任何特定值表示的任何特定类型的故障的
一种分类器，用于将条件指示器的当前值与故障状态相关的值进行比较，并返回出现一种或另一种故障状态的可能性
通常，在测试不同的故障检测或诊断模型时，需要构建一个或多个条件指示器的值表。条件指示器是从表示不同健康和故障运行条件的集合数据中提取的特征。（请参阅用于监测、故障检测和预测的条件指示器）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)以及用于验证的不相交子集（验证数据)。与使用重叠数据集进行培训和验证相比，使用完全独立的培训和验证数据通常可以让您更好地了解决策模型将如何使用新数据。
当设计你的算法，可以通过测试不同的故障检测与诊断模型中使用不同的状态指示灯。因此，这一步在设计过程中与提取条件指标的步骤有可能反复，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™ 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。这里总结了一些常见的方法。
特征选择
特征选择这些技术通过消除与您试图执行的分析无关的功能，帮助您减少大型数据集。在状态监测的上下文中，不相关的特征是那些不能将正常运行与故障运行分开或有助于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用作条件指示器的特征，因为随着系统性能下降，这些特征会以可检测、可靠的方式发生变化。特征选择的一些功能包括：
PCA-表演主成分分析，它发现了独立数据变量的线性组合，这些变量解释了观测值的最大变化。例如，假设集合中的每个成员都有十个独立的传感器信号，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功能的组合对于分离集合中表示的不同健康和故障状况最为有效风力机高速轴承预测使用这种方法的特征选择。顺序-对于一组候选特征，通过依次选择特征，直到识别效果没有改善，从而识别出最能区分健康和故障状况的特征。fscnca-使用邻域分量分析执行分类的特征选择。示例采用Simu万博1manbetxlink生成故障数据使用此函数根据提取的条件指示器在区分故障条件时的重要性对其进行加权。
有关特征选择的更多功能，请参见降维与特征提取。
统计分布拟合
当你有状态指示灯值和相应的故障状态的表，可以适应值的统计分布。验证或测试数据的可能性比较所得到的分布的产率，所述验证或测试数据对应于一个或另一个的故障状态。您可以使用该配件的一些功能包括：
Ks密度- 估计的样本数据的概率密度。histfit-从数据生成直方图，并将其拟合为正态分布。榜样离心泵的故障诊断泵采用稳态实验使用这种方法。ZTEST-测试数据来自具有指定平均值和标准偏差的正态分布的可能性。
有关统计分布的详细信息，请参阅概率分布。
机器学习
有几种方法应用机器学习技术，故障检测和诊断的问题。分类是一种监督的机器学习，其中一个算法“学习”来自标记的数据的例子新的观察分类的。在故障检测和诊断的背景下，可以通过从一个合奏衍生条件指标及其对应的故障标签的算法配合函数列车分类器。
例如，假设你在数据跨越不同健康和故障情况的合奏计算条件指示符值的表中的每个成员。您可以将此数据传递给适合的分类模型的功能。这个训练数据训练分类器模型从新数据集中提取一组条件指标值，并猜测哪个健康或故障条件适用于数据。实际上，您使用集合的一部分进行训练，并保留集合中不相交的部分用于验证训练过的分类器。
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。这些职能包括：
fitcsvm- 火车的二元分类模型，以两种状态，例如故障状态的存在或不存在之间进行区分。例子采用Simu万博1manbetxlink生成故障数据使用此功能使用基于特征的条件指示器表来训练分类器。榜样离心泵的故障诊断泵采用稳态实验还使用此功能，通过将数据拟合到静态模型获得的参数统计特性计算基于模型的条件指标。菲切克-训练分类器以区分多个状态。此功能将多类分类问题简化为一组二进制分类器。示例多类故障检测的仿真数据使用此函数。fitctree-通过将问题简化为一组二叉决策树来训练多类分类模型。fitclinear-使用高维训练数据训练分类器。当您有大量无法使用以下函数减少的条件指示器时，此函数非常有用：fscnca。
其他机器学习技术包括k-means聚类（K均值），其将数据分成相互排斥的簇。在这种技术中，一个新的测量是通过从数据点的距离最小化对分配给它的簇的平均位置分配给群集。树套袋是另一种技术，聚集决策树分类的合奏。这个例子离心泵的故障诊断泵采用稳态实验使用TreeBagger分类器。
有关用于分类的机器学习技术的更多一般信息，请参阅分类。
回归与动态模型
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运行的动态模型。然后，分析哪个模型更有可能解释系统的实时测量。当您有一些关于系统的信息可以帮助您选择要标识的模型类型时，此方法非常有用。要使用此方法，您需要：
从系统中收集或模拟数据，该系统在健康状态和已知故障、降级或寿命终止状态下运行。
确定表示每个健康和故障状态的行为的动态模型。
使用集群技术来绘制条件之间有明显的区别。
从运行中的机器收集新数据并确定其行为的模型。然后，您可以确定其他模型中的哪个（健康或故障）最有可能解释观察到的行为。
这个例子基于数据模型的故障检测使用这种方法。您可以使用识别动态模型的功能包括：
您可以使用功能，如预报预测辨识模型的未来行为。
控制图表
统计过程控制（SPC）方法是监控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。在预测性维护中，控制图和控制规则可帮助您确定条件指标值何时指示故障t、 例如，假设您有一个条件指示器，如果故障超过阈值，它会指示故障，但也会显示一些正常变化，这使得很难识别何时超过阈值。您可以使用控制规则将阈值条件定义为在指定数量的连续测量超过阈值时发生门槛，而不仅仅是一个。
有关统计过程控制的更多信息，请参阅统计过程控制。
转换点检测
以检测故障条件的另一种方法是跟踪随时间的状况指标的值，并检测所述趋势行为的突然变化。这种突然变化可指示故障。你可以使用这样的变点检测的一些功能包括：
findchangepts- 查找信号突然变化。findpeaks-找出信号中的峰值。部分-分段数据并估计每个分段的AR、ARX、ARMA或ARMAX模型。示例基于数据模型的故障检测使用这种方法。
相关话题
您还可以从以下列表中选择网站：
