Документация

Выполните прогнозирующие задачи обслуживания с Diagnostic Feature Designer

Следующее изображение иллюстрирует основные функциональности Diagnostic Feature Designer. Взаимодействуйте со своими данными и своими результатами при помощи средств управления во вкладках, таких как вкладка Feature Designer, которая показана на рисунке. Просмотрите свои импортированные и выведенные переменные, функции и наборы данных в Data Browser. Визуализируйте свои результаты в области графического вывода.

Преобразуйте импортированные данные в объединенный набор данных ансамбля

Первый шаг в использовании приложения должен создать новый сеанс и импортировать ваши данные. Можно импортировать данные из таблиц, расписаний, массивов ячеек или матриц. Можно также импортировать datastore ансамбля, который содержит информацию, которая позволяет приложению взаимодействовать с внешними файлами данных. Ваши файлы могут содержать фактические или симулированные данные об измерении временного интервала, спектральные модели или данные, имена переменных, условие и операционные переменные, и показывают вас сгенерированный ранее. Diagnostic Feature Designer комбинирует все ваши данные члена в один набор данных ансамбля. В этом наборе данных каждая переменная является коллективным сигналом или моделью, которая содержит все отдельные значения члена.

Чтобы использовать те же данные на нескольких сеансах, можно сохранить начальный сеанс в файле сеанса. Данные о сеансе включают и импортированные переменные и любые дополнительные переменные и функции, которые вы вычислили. На последующем сеансе можно затем открыть файл сеанса и продолжить работать с импортированными и производными данными.

Для получения информации о подготовке и импортировании ваших данных, см.:

Для получения информации о самом процессе импорта смотрите Импорт и Визуализируйте Данные Ансамбля в Diagnostic Feature Designer.

Визуализируйте данные

Чтобы построить сигналы или спектры, которые вы импортируете или что вы генерируете с инструментами обработки, выберите из галереи графика. Фигура здесь иллюстрирует типичную трассировку сигнала. Интерактивные инструменты графического вывода позволяют вам панорамированию, изменению масштаба, отображение пиковые местоположения и расстояния между peaks, и показывают статистическое изменение в ансамбле. Группировка данных меткой условия в графиках позволяет вам ясно видеть, прибывают ли данные члена из, например, номинальные или неисправные системы.

Для получения информации о графическом выводе в приложении смотрите Импорт и Визуализируйте Данные Ансамбля в Diagnostic Feature Designer.

Вычислите новые переменные

Чтобы исследовать ваши данные и подготовить ваши данные к извлечению признаков, используйте инструменты обработки данных. Каждый раз, когда вы применяете инструмент обработки, приложение создает новую выведенную переменную с именем, которое содержит и исходную переменную и новый шаг обработки, который вы использовали. Например:

Опции обработки данных для всех сигналов включают статистику уровня ансамбля, остатки сигнала, фильтрацию и степень и заказывают спектр. Можно также интерполировать данные к регулярной координатной сетке, если выборки члена не происходят в тех же интервалах независимой переменной.

Если ваши данные прибывают из вращающегося машинного оборудования, можно выполнить синхронное во времени усреднение сигнала (TSA) на основе тахометра выходные параметры или номинального об/мин. От сигнала TSA можно сгенерировать дополнительные сигналы, такие как невязка TSA и сигналы различия. Эти выведенные из TSA сигналы изолируют физические компоненты в вашей системе путем сохранения или отбрасывания гармоник и боковых полос, и они - базис для многих функций условия механизма.

Многие опции обработки могут использоваться независимо. Некоторые опции могут или должны быть выполнены как последовательность. В дополнение к вращающемуся машинному оборудованию и сигналам TSA, ранее обсужденным, другим примером является генерация остатка для любого сигнала. Вы можете:

Для получения информации об опциях обработки данных в приложении смотрите, Обрабатывают Данные и Исследуют Функции в Diagnostic Feature Designer.

Сгенерируйте признаки

От ваших исходных и выведенных сигналов и спектров, можно вычислить функции и оценить их эффективность. Вы можете уже знать, какие функции, вероятно, будут работать лучше всего, или вы можете хотеть экспериментировать со всеми применимыми функциями. Доступные функции лежат в диапазоне от общей статистики сигнала до специализированных метрик условия механизма, которые могут идентифицировать точное местоположение отказов и нелинейные функции, которые подсвечивают хаотическое поведение.

Любое время вы вычисляете набор функций, приложение, добавляет их в таблицу функции и генерирует гистограмму распределения значений через члены. Фигура здесь иллюстрирует гистограммы для двух функций. Гистограммы иллюстрируют, как хорошо каждая функция дифференцирует данные. Например, предположите, что вашей условной переменной является faultCode с состояниями 0 для данных номинальной системы и 1 для данных неисправной системы, как на рисунке. Вы видите в гистограмме, приводят ли номинальные и дефектные группировки к отличным или смешанным интервалам гистограммы. Можно просмотреть все гистограммы функции целиком или выбор, который показывает приложение, включает в набор графика гистограммы.

Чтобы сравнить значения всех ваших функций вместе, используйте табличное представление функции и график трассировки функции. Табличное представление функции отображает таблицу всех значений функции всех членов ансамбля. Трассировка функции строит эти значения. Этот график визуализирует расхождение значений функции в вашем ансамбле и позволяет вам идентифицировать определенный член, который представляет значение функции.

Для получения информации о генерации функции и интерпретации гистограммы в приложении, см.:

Отранжируйте признаки

Гистограммы позволяют вам выполнять начальную оценку эффективности функции. Чтобы выполнить более строгую относительную оценку, можно отранжировать признаки с помощью специализированных статистических методов. Приложение обеспечивает два типа рейтинга — classification ranking и prognostic ranking.

Фигура здесь иллюстрирует результаты рейтинга классификации. Можно попробовать несколько методов рейтинга и просмотреть результаты каждого метода вместе. Занимающие место результаты позволяют вам устранять неэффективные функции и оценивать занимающие место эффекты корректировок параметра, когда вычисление вывело переменные или функции.

Для получения информации о рейтинге функции см.:

Экспортируйте признаки к Classification Learner

После того, как вы задали свой набор функций кандидата, можно экспортировать их в приложение Classification Learner в Statistics and Machine Learning Toolbox™. Classification Learner обучает модели классифицировать данные при помощи автоматизированных методов, чтобы протестировать различные типы моделей с набором функций. При этом Classification Learner определяет лучшую модель и самые эффективные функции. Для прогнозирующего обслуживания цель использования Classification Learner состоит в том, чтобы выбрать и обучить модель, которая различает между данными из здорового и из неисправных систем. Можно включить эту модель в алгоритм для обнаружения отказа и предсказание. Для примера экспорта из приложения в Classification Learner смотрите, Анализируют и Выбирают Features for Pump Diagnostics.

Можно также экспортировать признаки и наборы данных к рабочему пространству MATLAB. Выполнение так позволяет вам визуализировать и обрабатывать свои исходные и выведенные данные ансамбля с помощью функций командной строки или других приложений. В командной строке можно также сохранить функции и переменные, которые вы выбираете в файлы, включая файлы, на которые ссылаются в datastore ансамбля.

Для получения информации об экспорте смотрите Ранг и Экспортируйте Признаки в Diagnostic Feature Designer.

Сгенерируйте код MATLAB для своих функций

Сгенерируйте код для функций, которые вы выбираете так, чтобы можно было автоматизировать расчеты функции с помощью функции MATLAB. Например, предположите, что у вас есть большой набор входных данных со многими членами, но для более быстрого отклика приложений, вы хотите использовать подмножество тех данных, когда вы сначала исследуете возможные функции в интерактивном режиме. После того, как вы идентифицируете свои самые эффективные функции с помощью приложения, можно сгенерировать код, и затем применить те же расчеты для тех функций к набору данных все-члена с помощью сгенерированного кода. Более крупный член установил, позволяет вам обеспечить больше выборок, когда обучение вводит к Classification Learner.

function [featureTable,outputTable] = diagnosticFeatures(inputData)
%DIAGNOSTICFEATURES recreates results in Diagnostic Feature Designer.
%