Обнаружьте и диагностируйте отказы

Обучите классификаторы или модели регрессии для мониторинга состояния

Чтобы разработать алгоритм для обнаружения и диагностирования отказов, вы используете индикаторы состояния, извлеченные от системных данных, чтобы обучить модель выбора решения, которая может анализировать тестовые данные, чтобы определить состояние существующей системы.

При разработке алгоритма вы можете протестировать различное обнаружение отказа и модели диагноза с помощью различных индикаторов состояния. Таким образом этот шаг в процессе проектирования является, вероятно, итеративным с шагом извлечения индикаторов состояния, когда вы пробуете различные индикаторы, различные комбинации индикаторов и различные модели выбора решения.

Для обзора типов моделей можно использовать, видеть Модели выбора решения для Обнаружения Отказа и Диагноза

Функции

развернуть все

pcaАнализ главных компонентов необработанных данных
pcaresНевязки от анализа главных компонентов
sequentialfsПоследовательный выбор функции
fscncaПокажите выбор с помощью анализа компонента окружения для классификации
tsnet-Distributed Стохастическое Соседнее Встраивание
ksdensityЯдро, сглаживающее функциональную оценку для одномерных и двумерных данных
histfitГистограмма с подгонкой распределения
coxphfitCox пропорциональная регрессия опасностей
ztestz-тест
fitcsvmОбучите классификатор машины вектора поддержки (SVM) и бинарной классификации одного класса
fitcecocПодходящие модели мультикласса для машин вектора поддержки или других классификаторов
fitcknnСоответствуйте соседнему классификатору k-nearest
fitclinearСоответствуйте линейной модели классификации к высоко-размерным данным
fitcnbОбучите мультикласс наивная модель Bayes
fitctreeПодходящее дерево выбора из двух альтернатив для классификации мультиклассов
fitckernelСоответствуйте Гауссовой модели классификации ядер использование случайного расширения функции
kmeansk-средняя кластеризация
mleОценки наибольшего правдоподобия
TreeBaggerСоздайте мешок деревьев решений
nlarxОцените параметры нелинейной модели ARX
ssestОцените модель в пространстве состояний, использующую данные о частотном диапазоне или время
arxОцените параметры модели ARX или AR с помощью наименьших квадратов
armaxОцените параметры модели ARMAX с помощью данных временного интервала
arОцените параметры модели AR для скалярных временных рядов
forecastПредскажите идентифицированный образцовый вывод
translatecovПереведите ковариацию параметра через операции преобразования моделей
controlchartДиаграммы управления Shewhart
controlrulesWestern Electric и Нельсон управляют правилами
cusumОбнаружьте небольшие изменения в среднем значении с помощью совокупной суммы
findchangeptsНайдите резкие изменения в сигнале
findpeaksНайдите локальные максимумы
pdistПопарное расстояние между парами наблюдений
pdist2Попарное расстояние между двумя наборами наблюдений
mahalРасстояние Mahalanobis
segmentДанные о сегменте и оценочные модели для каждого сегмента

Темы

Модели выбора решения для обнаружения отказа и диагноза

Используйте индикаторы состояния, извлеченные от здоровых и дефектных данных, чтобы обучить классификаторы или модели регрессии для обнаружения и диагностирования отказов.

Диагностика отказа центробежных насосов Используя эксперименты устойчивого состояния

Используйте основанный на модели подход для обнаружения и диагноза различных типов отказов в системе накачки.

Обнаружение отказов центробежных насосов с использованием анализа невязок

Используйте образцовый основанный на четности-уравнениями подход для обнаружения и диагноза отказов в системе накачки.

Мультиклассовое обнаружение неисправностей с использованием смоделированных данных

Используйте модель Simulink, чтобы сгенерировать дефектные и здоровые данные и использовать данные, чтобы разработать классификатор мультикласса, чтобы обнаружить различные комбинации отказов.

Анализируйте и выберите функции диагностики насоса

Используйте приложение Diagnostic Feature Designer, чтобы анализировать и выбрать функции, чтобы диагностировать отказы в тройном поршневом насосе.

Обнаружение отказа Используя расширенный фильтр Калмана

Используйте расширенный Фильтр Калмана для онлайновой оценки трения простого двигателя постоянного тока. Существенные изменения в предполагаемом трении обнаруживаются и указывают на отказ.

Обнаружение отказа Используя основанные на данных модели

Используйте основанный на данных подход моделирования для обнаружения отказа.

Обнаружьте резкие системные изменения Используя идентификационные методы

Обнаружьте резкие изменения в поведении системы с помощью онлайновой оценки и автоматических методов сегментации данных.

Сопутствующая информация

Приложение Classification Learner (Statistics and Machine Learning Toolbox)

Приложение Regression Learner (Statistics and Machine Learning Toolbox)

Для просмотра документации необходимо авторизоваться на сайте