В этом примере показано, как использовать приложение Diagnostic Feature Designer для анализа и выбора функций для диагностики неисправностей в трехплексном поршневом насосе.
В этом примере используются смоделированные данные об отказах насоса, сгенерированные примером многоклассного обнаружения неисправностей с использованием смоделированных данных. Данные предварительно обработаны для удаления переходных процессов запуска насоса.
Загрузите данные о неисправности тройного насоса. Данные насоса содержат 240 измерений расхода и давления для различных условий отказа. Существует три типа неисправностей (негерметичный цилиндр насоса, блокированный вход насоса, повышенное трение подшипника насоса). Измерения покрывают условия, где ни один, один, или несколько ошибок не присутствует. Данные собираются в таблице, где каждая строка является разным измерением.
load('savedPumpData')
pumpDatapumpData=240×3 table
flow pressure faultCode
__________________ __________________ _________
{1201x1 timetable} {1201x1 timetable} 0
{1201x1 timetable} {1201x1 timetable} 0
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 0
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
{1201x1 timetable} {1201x1 timetable} 100
⋮
Откройте конструктор диагностических функций с помощью diagnosticFeatureDesigner команда. Импорт данных насоса в приложение. Данные организованы как многосерийный ансамбль, поэтому используйте этот параметр для импорта.
Как только мы указываем переменную мы хотим импортировать как pumpData, затем мы можем просмотреть различные сигналы, которые мы импортируем. Убедитесь, что faultCode переменная является переменной условия. Переменные состояния обозначают наличие или отсутствие неисправности и используются приложением для группировки и классификации
Постройте график сигнала потока путем выбора flow в разделе Signals & Spectra браузера данных и щелкните Трассировка сигналов (Signal Trace) в галерее печати. Постройте график pressure сигналить точно так же.
Эти графики показывают сигналы давления и потока для всех 240 элементов в наборе данных. Можно перейти на вкладку Signal Trace (Трассировка сигнала) и выбрать Group by fureCode (Группировать по fireCode), чтобы отобразить сигналы с тем же кодом отказа того же цвета. Группирование сигналов таким образом может помочь быстро определить, существуют ли какие-либо четкие различия между сигналами различных типов отказов. В этом случае измеренные сигналы не показывают явных различий для различных кодов неисправностей.
Поскольку измеренные сигналы не показывают каких-либо различий для различных условий отказа, следующим шагом является извлечение характеристик временной области, таких как среднее значение сигнала и стандартное отклонение от сигнала. Чтобы открыть показанное здесь диалоговое окно, выберите Функции временной области, а затем Сигнальные функции. Выберите элементы, которые требуется извлечь, и нажмите кнопку OK. Снимите флажок «Результаты печати». Мы построим график результатов позже, чтобы увидеть, помогают ли функции различать различные условия отказа. Повторите этот процесс для сигнала давления путем изменения сигнала, выбранного в верхней части диалогового окна.
Возвратно-поступательный насос использует приводной вал и цилиндры для перекачивания жидкости. Из-за механической конструкции насоса мы ожидаем циклические колебания потока и давления насоса. Например, увеличьте масштаб секции сигналов потока, используя панорамирование сигнала под графиком трассировки сигнала.
Вычисление частотного спектра потока высвечивает циклическую природу сигнала потока и может дать лучшее представление о том, как сигнал потока изменяется при различных условиях отказа. Оцените частотные спектры с помощью авторегрессионного метода. Этот метод подходит авторегрессионной модели заданного порядка к данным, а затем вычисляет спектр этой оцененной модели. Этот подход уменьшает любую подгонку к исходному сигналу данных. В этом случае укажите порядок моделей 20.
Построение графика вычисленных спектров в линейном масштабе ясно показывает резонансные пики. Группировка по коду отказа показывает, как изменяются спектры для различных условий отказа.
Выполните те же вычисления для сигнала давления, что и результаты, которые позволят определить различные условия неисправности.
Теперь мы можем вычислить спектральные характеристики, такие как пики, модальные коэффициенты и мощность полосы. Мы извлекаем эти признаки в меньшей полосе частот между 25-250 Гц, так как пики после 250 Гц меньше. Заметим, что мы извлекаем 5 спектральных пиков для каждого сигнала. Пока снимите флажок Результаты печати (Plot results). Мы построим график результатов позже, чтобы увидеть, помогают ли функции различать различные условия отказа. Повторите этот процесс для сигнала давления путем изменения сигнала, выбранного в верхней части диалогового окна.
Все извлеченные элементы собраны в таблице, показанной в браузере таблиц элементов. Для просмотра вычисленных данных элемента выберите FeatureTable1 в браузере данных и щелкните «Таблица элементов» (Feature Table View) в коллекции печати. Код неисправности также отображается в виде таблицы функций в качестве крайнего правого столбца таблицы. По мере вычисления дополнительных функций к таблице добавляется больше столбцов.
Распределение значений признаков для различных значений переменных условий, т.е. типов отказов, можно просмотреть путем просмотра таблицы признаков в виде гистограммы. Щелкните Гистограмма (Histogram) в галерее печати, чтобы создать график гистограммы. Используйте следующие и предыдущие кнопки для отображения гистограмм для различных функций. Графики гистограммы, сгруппированные по коду неисправности, могут помочь определить, являются ли определенные функции сильными различиями между типами неисправностей. Если они являются сильными дифференциаторами, их распределения будут более отдалены друг от друга. Для данных тройного насоса распределения функций имеют тенденцию перекрываться, и отсутствуют функции, которые можно явно использовать для выявления неисправностей. В следующем разделе рассматривается использование автоматизированного ранжирования, чтобы определить, какие функции более полезны для прогнозирования отказов.
На вкладке Конструктор элементов (Feature Designer) щелкните Ранговые элементы (Rank Features) и выберите FeatureTable1. Приложение собирает все данные о функциях и ранжирует функции по метрике, например ANOVA. Затем элементы перечисляются с точки зрения важности на основе значения метрики. В этом случае можно видеть, что среднеквадратичное значение для сигнала потока и среднеквадратичное значение и средние значения для сигнала давления являются признаками, которые наиболее сильно отличают различные типы неисправностей друг от друга.
После того, как мы ранжируем наши особенности с точки зрения важности, следующий шаг - экспортировать их, чтобы мы могли обучить классификационную модель, основанную на этих особенностях. Нажмите «Экспорт», выберите «Экспорт элементов в классификатор» и выберите элементы, которые необходимо использовать для классификации. В этом случае мы экспортируем все функции, которые имеют One-way ANOVA metric > 1, т.е. все функции до и включая pressure_ps_spec/Data_Zeta1. Затем эти функции отправляются в Classification Learner и могут использоваться для разработки классификатора для выявления различных неисправностей.
В разделе «Классификатор» выберите 5-fold cross validation и запустите сеанс.
Из Classification Learner обучите все доступные модели. RUSBoosted trees способ имеет наивысшую точность классификации 85%. Следующим шагом может быть итерация характеристик - особенно спектральных характеристик - и, возможно, изменение метода спектральных вычислений, изменение полосы пропускания или использование различных пиков частоты для повышения точности классификации.
В этом примере показано, как использовать Diagnostic Feature Designer для анализа и выбора элементов и создания классификатора для диагностики неисправностей в трехплексном поршневом насосе.
Классификатор | Конструктор диагностических функций