在命令行中识别条件指示器

在命令行上研究数据，以确定可以指示系统状态或预测未来状态的特性

您可以在命令行上从信号分析或模型拟合中获得条件指示器。如果您有旋转机械，您可以提取包含系统特征的专门特征，例如特征故障频率，或导出具有特定故障模式敏感性的齿轮状态度量。你可以在时域，频域，或时频域中推导出更一般的特征。您还可以通过将静态或动态模型拟合到数据中，并检查模型参数或模型行为来区分故障状态或预测系统退化，从而获得条件指示器。使用命令行特性选择和排序命令来评估特性的有效性。有关更多信息，请参见用于监控、故障检测和预测的状态指标．

功能

全部展开

旋转机械特点

`bearingFaultBands`	生成球轴承或滚子轴承特征故障频率附近的频带，进行频谱特征提取
`gearMeshFaultBands`	围绕啮合齿轮的特征故障频率构造频带，进行频谱特征提取
`faultBands`	生成故障频带进行频谱特征提取
`faultBandMetrics`	功率谱密度(PSD)指定故障频带的谱度量
`gearConditionMetrics`	齿轮状态监测的标准度量

ieee特性

时域特征

`的意思是`	数组的平均值或平均值
`movmean`	移动的意思
`中位数`	数组中值
`性病`	标准差`timeseries`数据
`rms`	均方根值
`movmad`	移动中值绝对偏差
`peak2peak`	先令的区别
`偏态`	偏态
`峰度`	峰度
`信封`	信号包络线
`dtw`	使用动态时间翘曲的信号之间的距离
`rainflow`	雨流计数用于疲劳分析
`approximateEntropy`	非线性时间序列的规律性度量
`correlationDimension`	混沌信号复杂度的度量
`lyapunovExponent`	描述无限小的闭合轨迹的分离速率
`phaseSpaceReconstruction`	将观察到的时间序列转换为状态向量

频域特性

`powerbw`	功率带宽
`modalfrf`	模态分析的频响函数
`bandpower`	乐队的力量
`meanfreq`	平均频率
`medfreq`	中值频率
`sfdr`	伪自由动态范围
`sinad`	信噪比和失真比
`信噪比`	信噪比
`野`	总谐波失真
`obw`	占用的带宽
`findpeaks`	寻找局部极大值

时频特性

`pentropy`	信号谱熵
`pkurtosis`	信号或谱图的谱峰度
`光谱图`	短时傅里叶变换谱图
`tfmoment`	信号时频分布的联合矩
`tfsmoment`	信号时频分布的条件谱矩
`tftmoment`	信号时频分布的条件时间矩
`instfreq`	估算瞬时频率

基于模型的特征和残差

模型拟合

`党卫军`	使用时域或频域数据估计状态空间模型
`nlarx`	非线性ARX模型参数估计
`arx`	估计ARX, ARIX, AR或ARI模型的参数
`armax`	利用时域数据估计ARMAX、ARMAX、ARMA或ARIMA模型的参数
`基于“增大化现实”技术`	在识别标量时间序列的AR模型或ARI模型时估计参数
`pem`	优化线性和非线性模型的预测误差最小化
`modalfit`	频率响应函数的模态参数
`modalfrf`	模态分析的频响函数
`段`	分段数据和每个分段的估计模型

递归模型拟合

`recursiveAR`	创建系统对象用于AR模型的在线参数估计
`recursiveARMA`	创建系统对象用于ARMA模型的在线参数估计
`recursiveARMAX`	创建系统对象用于ARMAX模型的在线参数估计
`recursiveBJ`	创建系统对象用于Box-Jenkins多项式模型的在线参数估计
`recursiveLS`	创建系统对象采用递归最小二乘算法进行在线参数估计
`recursiveOE`	创建系统对象用于输出误差多项式模型的在线参数估计
`recursiveARX`	创建系统对象用于ARX模型的在线参数估计

递归状态估计

`unscentedKalmanFilter`	创建无气味卡尔曼滤波对象用于在线状态估计
`extendedKalmanFilter`	创建用于在线状态估计的扩展卡尔曼滤波对象
`particleFilter`	用于在线状态估计的粒子滤波对象

动力学模型

`潮湿的`	固有频率和阻尼比
`极`	动力系统的极点
`零`	SISO动态系统的零点和增益

模拟

`sim卡`	模拟识别模型的响应
`渣油`	计算和测试残差

特征选择与排序

特征选择

`主成分分析`	原始数据的主成分分析
`pcares`	主成分分析的残差
`sequentialfs`	使用自定义标准的顺序特征选择
`fscnca`	使用邻域成分分析进行特征选择分类
`tsne`	t分布随机邻居嵌入

分类特征排序

`anova1`	单向方差分析
`bhattacharyyaDistance`	两个独立数据组之间的一维Bhattacharyya距离来衡量类别可分性
`kruskalwallis`	克鲁斯卡尔-沃利斯检验
`perfcurve`	接收者工作特征(ROC)曲线或分类器输出的其他性能曲线
`rocmetrics`	二元和多类分类器的接收者工作特征(ROC)曲线和性能指标
`ranksum`	Wilcoxon秩和检验
`relativeEntropy`	用两个独立数据组的一维Kullback-Leibler散度来衡量类别可分性
`ttest2`	两个示例t以及
`correlationWeightedScore`	使用相关因子调整特征排名得分

主题

状况指示器基础

用于监控、故障检测和预测的状态指标
条件指示器是系统数据的任何特征，其行为随着系统退化而以可预测的方式变化。
基于信号的状态指示器
基于信号的状态指示器是由信号数据处理得到的一个量。条件指示器捕获随着系统性能下降而变化的信号的某些特征。
基于模型的状态指示器
基于模型的状态指示器是通过将系统数据拟合到模型并使用模型执行进一步处理而获得的数量。条件指示器捕获随着系统性能下降而变化的模型的某些特征。