决策模型的故障检测与诊断
状态监测包括区分故障状态和正常状态(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，请参见剩余使用寿命预测模型。）
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，描述条件指示器的任何特定值指示任何特定类型故障的可能性
将状态指示器的当前值与故障状态相关联的值进行比较，并返回一个或另一个故障状态存在的可能性的分类器
通常，在测试不同的模型进行故障检测或诊断时，需要构造一个或多个条件指示器的值表。条件指示器是从集成中的数据中提取的功能，这些数据表示不同的正常和故障操作条件。（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处理新数据。
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、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骤可能与提取条件指标的步骤迭代。
统计与机器学习工具箱™ 其他工具箱还包括一些功能，您可以使用这些功能来训练决策模型，如分类器和回归模型。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性，帮助您减少大型数据集。在状态监测的背景下，不相关的特征是那些不能将健康与故障操作分开或帮助区分不同故障状态的特征。换言之，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降低而以可检测、可靠的方式改变。功能选择包括：
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。这个例子风电机组高速轴承预测使用此方法进行特征选择。序列-对于一组候选特征，通过依次选择特征，直到在识别方面没有改进，来识别最能区分健康和故障状态的特征。fscnca公司- 利用邻里成分分析的分类执行特征选择。这个例子用Simul万博1manbetxink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列表进行加权。
有关功能选择的更多功能，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
如果有条件指示值和相应的故障状态表，则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，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。可用于此类装配的某些功能包括：
ksdensity-估计样本数据的概率密度。历史拟合-从数据中生成直方图，并将其拟合为正态分布。例子离心泵稳态试验故障诊断使用这种方法。Z检验-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，请参见概率分布（统计和机器学习工具箱）。
机器学习
将机器学习技术应用于故障检测和诊断问题有多种方法。分类是一种有监督的机器学习，其中一种算法“学习”从标记数据的示例中对新的观测进行分类。在故障检测和诊断的上下文中，可以将集成得到的条件指示器及其相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条件指示符值表。您可以将此数据传递给符合分类器模型的函数。这个训练数据训练分类器模型获取从新数据集中提取的一组条件指示值，并猜测哪些健康或故障条件适用于数据。在实践中，您使用集成的一部分进行训练，并保留集成的不相交部分来验证已训练的分类器。
统计和机器学习工具箱包含许多可用于训练分类器的函数。这些功能包括：
fitcsvm-训练二元分类模型以区分两种状态，例如是否存在故障条件。例子用Simul万博1manbetxink生成故障数据使用此函数可以使用基于特征的条件指示器表训练分类器。例子离心泵稳态试验故障诊断还使用此函数，通过将数据拟合到静态模型，根据参数的统计特性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。这个例子基于模拟数据的多类故障检测使用这个功能。菲特崔-通过将问题简化为一组二叉决策树来训练多类分类模型。
其他机器学习技术包括k-均值聚类(K均值)，它将数据划分为互斥的集群。在该技术中，通过最小化数据点到指定簇的平均位置的距离，将新的度量分配给簇。树套袋是另一种聚合决策树集合进行分类的技术。例子离心泵稳态试验故障诊断使用树蛙分类。
有关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
另一种故障检测与诊断方法是利用模型辨识。在这种方法中，您可以估计系统在正常和故障状态下运行的动态模型。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用于标识的模型类型时，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在正常状态和已知故障、降级或寿命终止状态下运行的数据。
识别一个动态模型，表示每个健康和故障条件下的行为。
使用聚类技术来明确区分条件。
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：
您可以使用如下函数预测以预测所识别模型的未来行为。
质量控制图
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-定义控制规则并确定它们是否被违反。库苏姆-检测数据平均值的微小变化。
有关统计过程控制的详细信息，请参见统计过程控制（统计和机器学习工具箱）。
变化点检测
检测故障条件的另一种方法是跟踪条件指示器随时间变化的值，并检测趋势行为的突然变化。这种突然的变化可能预示着一个错误。可用于此类变更点检测的某些功能包括：
相关话题
也可以从以下列表中选择网站：
