В этом примере показано, как использовать приложение Diagnostic Feature Designer для анализа и выбора функций для диагностики отказов в триплексном поршневом насосе.
В примере используются данные моделируемого отказа насоса, сгенерированные примером Мультиклассовое Обнаружение Неисправностей с Использованием Смоделированных Данных. Данные были предварительно обработаны, чтобы удалить переходные процессы запуска насоса.
Загрузите данные отказа триплексного насоса. Данные насоса содержат 240 измерений потока и давления для различных условий отказа. Существует три типа отказов (цилиндр утечки насоса, заблокированные входные отверстия насоса, увеличение трения подшипника насоса). Измерения охватывают условия, где нет никаких, одного или нескольких отказов. Данные собираются в таблицу, где каждая строка является другим 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 Diagnostic Feature Designer при помощи diagnosticFeatureDesigner команда. Импортируйте данные насоса в приложение. Данные организованы как многомандатный ансамбль, поэтому используйте эту опцию для импорта.
Как только мы задаем переменную, которую мы хотим импортировать как pumpData, мы можем затем просмотреть различные сигналы мы импортируем. Убедитесь, что faultCode переменная является переменной условия. Переменные условия обозначают наличие или отсутствие отказа и используются приложением для группировки и классификации
Постройте график сигнала потока путем выбора flow в разделе «Сигналы и спектры» браузера данных и нажав «Трассировка сигнала» в галерее графиков. Постройте график pressure сигнализируйте так же.
Эти графики показывают сигналы давления и потока для всех 240 представителей набора данных. Можно щелкнуть вкладку Signal Trace и выбрать Group по «faultCode», чтобы отобразить сигналы с тем же кодом отказа в том же цвете. Группировка сигналов таким образом может помочь вам быстро определить, существуют ли какие-либо четкие различия между сигналами разных типов отказа. В этом случае измеренные сигналы не показывают никаких четких различий для различных кодов отказа.
Поскольку измеренные сигналы не показывают никаких различий для различных условий отказа, следующим шагом является извлечение функций временной области, таких как среднее значение сигнала и стандартное отклонение от сигнала. Чтобы открыть диалоговое окно, показанное здесь, выберите Функции временной области, а затем Функции сигнала. Выберите функции, которую вы хотите извлечь, и нажмите кнопку OK. Пока снимите флажок Графика результатов. Мы постройм 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.
Поршневой насос использует ведущий вал и цилиндры для перекачки жидкости. Из-за механической конструкции насоса мы ожидаем, что будут циклические колебания потока и давления насоса. Для примера масштабируйте раздел сигналов потока с помощью панорамы сигналов ниже графика трассировки сигнала.
Вычисление частотного спектра потока подчеркнет циклический характер сигнала потока и может дать лучшее представление о том, как изменяется сигнал потока при различных условиях отказа. Оцените частотные спектры с помощью авторегрессивного метода. Этот метод подходит к авторегрессионной модели предписанного порядка данных, а затем вычисляет спектр этой оцененной модели. Этот подход уменьшает любой сверхподбор кривой к необработанному сигналу данных. В этом случае задайте порядок модели 20.
Построение графика вычисленных спектров по линейной шкале четко показывает резонансный peaks. Группировка по коду отказа подчеркивает, как изменяются спектры для различных условий отказа.
Выполните те же расчеты для сигнала давления, что и результаты, предоставляют дополнительные функции для различения различных условий отказа.
Теперь мы можем вычислить спектральные функции, такой как peaks, модальные коэффициенты и мощность полосы частот. Мы извлекаем эти функции в меньшей полосе частот между 25-250 Гц, так как peaks после 250 Гц меньше. Обратите внимание, что мы извлекаем 5 спектральный peaks для каждого сигнала. На данный момент снимите флажок Результаты построения графика (Plot results). Мы постройм 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 функции были собраны в таблицу, показанную в браузере Таблицы. Чтобы просмотреть вычисленные данные функции, выберите FeatureTable1 в обозревателе данных и нажмите «Вид таблицы функций» в галерее графиков. Код отказа также отображается в виде таблицы функций как самый правый столбец в таблице. Когда вычисляется больше функций, больше столбцов добавляется к таблице.
Распределения значений функций можно увидеть для различных значений переменных условий, то есть типов отказов, путем просмотра таблицы функций в виде гистограммы. Нажмите Гистограмму в галерее графиков, чтобы создать гистограмму. Используйте следующие и предыдущие кнопки, чтобы показать гистограммы для различных функций. Графики гистограммы, сгруппированные по коду отказа, могут помочь определить, являются ли определенные функции сильными дифференциаторами между типами отказов. Если они являются сильными дифференциаторами, их распределения будут более отдаленными друг от друга. Для данных триплексного насоса распределения функций, как правило, перекрываются, и нет функций, которые можно четко использовать для идентификации отказов. В следующем разделе рассматривается использование автоматического рейтинга, чтобы найти, какие функции более полезны для предсказания отказа.
На вкладке Feature Designer нажмите Rank Features и выберите FeatureTable1. Приложение собирает все данные о функциях и ранжирует функции на основе такой метрики, как Дисперсионный Анализ. Функции затем перечисляются в терминах важности на основе метрического значения. В этом случае мы видим, что значение RMS для сигнала потока и RMS и средние значения для сигнала давления являются функциями, которые наиболее сильно отличают различные типы отказов друг от друга.
После того, как мы оценили наши функции с точки зрения важности, следующий шаг - экспортировать их, чтобы мы могли обучить классификационную модель, основанную на этих функциях. Щелкните Экспорт (Export), выберите Экспорт элементов в классификатор (Export features to the Classification Learner) и выберите функции, которые необходимо использовать для классификации. В этом случае мы будем экспортировать все функции, которые имеют One-way ANOVA metric > 1, т.е. все функции вплоть до pressure_ps_spec/Data_Zeta1. Функции затем отправляются в Classification Learner и могут использоваться для разработки классификатора для идентификации различных отказов.
В Classification Learner выберите 5-fold cross validation и запустите сеанс.
Из Classification Learner обучите все доступные модели. The RUSBoosted trees метод имеет самую высокую точность классификации 85%. Следующим шагом может быть итерация функций - особенно спектральных функций - и, возможно, изменение метода спектральных расчетов, изменение полосы пропускания или использование различного peaks частот для повышения точности классификации.
В этом примере показано, как использовать Diagnostic Feature Designer для анализа и выбора функций и создать классификатор для диагностики отказов в триплексном поршневом насосе.
Classification Learner | Diagnostic Feature Designer