Документация

Выполните прогнозирующие задачи обслуживания с помощью Diagnostic Feature Designer

Следующее изображение иллюстрирует основные функциональности Diagnostic Feature Designer. Взаимодействуйте с вашими данными и результатами с помощью элементов управления на вкладках, таких как вкладка Feature Designer, которая показана на рисунке. Просмотрите импортированные и производные переменные, функции и наборы данных в Data Browser. Визуализируйте результаты в области графического изображения.

Преобразование импортированных данных в единый набор данных Ensemble

Первым шагом в использовании приложения является создание нового сеанса и импорт ваших данных. Можно импортировать данные из таблиц, расписаний, массивов ячеек или матриц. Можно также импортировать ансамбль datastore, который содержит информацию, позволяющую приложению взаимодействовать с внешними файлами данных. Ваши файлы могут содержать фактические или моделируемые данные измерений во временной области, спектральные модели или данные, имена переменных, условие и операционные переменные и функции, которые вы сгенерировали ранее. Diagnostic Feature Designer объединяет все данные представителя в один ансамбль наборов данных. В этом наборе данных каждая переменная является коллективным сигналом или моделью, которая содержит все отдельные значения представителей.

Чтобы использовать одни и те же данные в нескольких сеансах, можно сохранить начальный сеанс в файле сессии. Данные сеансы включают как импортированные переменные, так и любые дополнительные переменные и функции, которые вы вычислили. В последующем сеансе можно открыть файл сессии и продолжить работу с импортированными и производными данными.

Для получения информации о подготовке и импорте ваших данных смотрите:

Для получения информации о самом процессе импорта смотрите Импорт и визуализация данных Ensemble в Diagnostic Feature Designer.

Визуализация данных

Чтобы построить график сигналов или спектров, которые вы импортируете или которые вы генерируете с помощью инструментов обработки, выберите из галереи графиков. Рисунок здесь иллюстрирует типовую трассировку сигнала. Интерактивные инструменты графического изображения позволяют вам панорамировать, масштабировать, отображать пиковые местоположения и расстояния между peaks и показывать статистические изменения внутри ансамбля. Группировка данных по меткам условий на графиках позволяет вам четко увидеть, поступают ли данные представителей, например, из номинальных или неисправных систем.

Для получения информации о графическом изображении в приложении смотрите Импорт и визуализация данных Ensemble в Diagnostic Feature Designer.

Вычисление новых переменных

Чтобы исследовать свои данные и подготовить данные к редукции данных, используйте инструменты обработки данных. Каждый раз, когда вы применяете инструмент обработки, приложение создает новую производную переменную с именем, которое содержит и исходную переменную, и самый последний шаг обработки, который вы использовали. Для примера:

Опции обработки данных для всех сигналов включают статистику уровня ансамбля, остатки сигнала, фильтрацию и спектр степени и порядка. Можно также интерполировать данные в однородную сетку, если выборки представителей не происходят с одинаковыми независимыми интервалами переменных.

Если ваши данные поступают от вращающегося машинного оборудования, можно выполнить синхронное среднее сигнал (TSA) на основе выходов тахометра или номинальных оборотов в минуту. Из сигнала TSA можно сгенерировать дополнительные сигналы, такие как остаточные и разностные сигналы TSA. Эти сигналы, полученные из TSA, изолируют физические компоненты в вашей системе, сохраняя или отбрасывая гармоники и боковые полосы, и они являются базисом для многих функций условия передачи.

Многие опции обработки могут использоваться независимо. Некоторые опции могут или должны выполняться как последовательность. В дополнение к вращающимся машинным сигналам и сигналам TSA, рассмотренным выше, другим примером является генерация остатков для любого сигнала. Вы можете:

Дополнительные сведения об опциях обработки данных в приложении см. в разделах Обработка данных и Исследование функций в Diagnostic Feature Designer.

Сгенерируйте функции

Из ваших исходных и выведенных сигналов и спектров можно вычислить функции и оценить их эффективность. Вы можете уже знать, какие функции могут работать лучше всего, или вы можете захотеть экспериментировать со всеми применимыми функциями. Доступные функции варьируются от общей статистики сигналов до специализированных метрик условия передачи, которые могут идентифицировать точное местоположение отказов, и нелинейных признаков, которые подчеркивают хаотическое поведение.

Каждый раз, когда вы вычисляете набор функций, приложение добавляет их в таблицу признаков и генерирует гистограмму распределения значений по представителям. Рисунок здесь иллюстрирует гистограммы для двух функций. Гистограммы иллюстрируют, насколько хорошо каждая функция дифференцирует данные. Например, предположим, что ваша переменная условия faultCode с состояниями 0 для номинальных системных данных и 1 для данных отказавшей системы, как на рисунке. На гистограмме можно увидеть, результат ли номинальные и дефектные группы в отдельных или смешанных интервалах гистограммы. Можно просмотреть все гистограммы признаков сразу или выбрать, какие функции приложение включает в набор графика гистограммы.

Чтобы сравнить значения всех функций вместе, используйте представление таблицы функций и график трассировки функций. В виде таблицы функций отображается таблица всех значений функций всех представителей ансамбля. Трассировка функций строит графики этих значений. Этот график визуализирует расхождение значений функций в вашем ансамбле и позволяет вам идентифицировать конкретный представителя, который представляет значение функции.

Для получения информации о генерации функций и интерпретации гистограммы в приложении смотрите:

Оцените функции

Гистограммы позволяют вам выполнить начальную оценку эффективности функций. Чтобы выполнить более строгую относительную оценку, можно оценить свои функции с помощью специализированных статистических методов. Приложение предоставляет два типа рейтинга - classification ranking и prognostic ranking.

Рисунок здесь иллюстрирует результаты классификационного рейтинга. Можно попробовать несколько методов рейтинга и просмотреть результаты из каждого метода вместе. Результаты рейтинга позволяют вам исключить неэффективные функции и оценить рейтинговые эффекты корректировок параметра при вычислении производных переменных или функций.

Для получения информации о ранжировании функций смотрите:

Экспорт функций в Classification Learner

После определения набора функций кандидата можно экспортировать их в приложение Classification Learner в Statistics and Machine Learning Toolbox™. Classification Learner обучает модели классифицировать данные с помощью автоматизированных методов для тестирования различных типов моделей с набором функций. При этом Classification Learner определяет лучшую модель и наиболее эффективные функции. Для прогнозирующего обслуживания цель использования Classification Learner состоит в том, чтобы выбрать и обучить модель, которая различит данные от здоровых и от неисправных систем. Можно включить эту модель в алгоритм обнаружения и предсказания отказов. Пример экспорта из приложения в Classification Learner см. в разделах Анализ и Выбор функций для диагностики насоса.

Можно также экспортировать свои функции и наборы данных в рабочее пространство MATLAB. Это позволяет вам визуализировать и обработать свои исходные и производные 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 ансамбле datastore.

Для получения информации об экспорте см. Раздел «Ранг и экспорт функций» в Diagnostic Feature Designer.

Сгенерируйте код MATLAB для ваших функций

Сгенерируйте код для выбранных функций, чтобы можно было автоматизировать расчеты признаков с помощью функции MATLAB. Например, предположим, что у вас есть большой набор входных данных со многими представителями, но для более быстрого ответа приложения вы хотите использовать подмножество этих данных, когда вы впервые исследуете возможные функции в интерактивном режиме. После того, как вы определите свои наиболее эффективные функции с помощью приложения, можно сгенерировать код, а затем применить те же расчеты для этих функций к набору данных всех членов с помощью сгенерированного кода. Большой набор представителей позволяет вам предоставлять больше выборок в качестве обучающих входных параметров для Classification Learner.

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