为泵诊断分析和选择特性

打开诊断功能设计

加载三缸泵故障数据。泵数据包含240流量和压力测量不同故障条件。有三种故障类型(泄漏泵缸、屏蔽泵进口,增加了泵轴承摩擦)。没有测量覆盖条件下,一个或多个错误。数据收集表中每一行是一个不同的测量。

负载(“savedPumpData”)pumpData

pumpData =240×3表流压力faultCode _____________ _____________ _____ {1201 x1时间表}{1201}x1时间表0 x1时间表}{1201}{1201 x1时间表0 x1时间表}{1201}{1201 x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201}x1时间表0 x1时间表}{1201}{1201 x1时间表100 {1201 x1时间表}{1201}x1时间表100 {1201 x1时间表}{1201 x1时间表}100⋮

开放诊断功能设计通过使用diagnosticFeatureDesigner命令。点击启动一个新的会话新会话导入数据,打开一个对话框。

在选择数据集从工作区窗格中,选择pumpData作为你的数据来源。在选择源变量窗格中,确认变量名称匹配那些你认为在命令行。流和压力都是信号。faultCode是一个条件变量。条件变量表示错误的存在与否,所使用的应用程序分组和分类。当你第一次打开新会话对话框中,应用程序显示第一个变量的变量属性。

点击进口泵数据导入到应用程序。

情节和组的数据故障代码

通过选择情节流信号流从变量部分数据浏览器和点击信号跟踪情节的画廊。画出压力信号相同的方式。

这些图显示所有240个成员国的压力和流量信号的数据集。您可以单击信号跟踪选项卡并选择集团faultCode与相同的故障代码显示信号在相同的颜色。分组信号以这种方式可以帮助您快速确定是否有清晰的信号之间的差异不同的故障类型。在这种情况下,测量信号不会表现出任何明确的差异对不同的故障码。

集团未来所有的情节faultCode,使用绘图选项。点击绘图选项打开一个对话框,该对话框允许您设置首选项。

提取时域特征

作为测量信号不会表现出任何差异对不同故障条件下,下一步是提取时域特征,如信号的平均值和标准偏差信号。首先,选择/数据流在数据浏览器。然后,选择时域特征然后信号特性。

两个新标签页打开,信号特性和时域特征。在信号特性,选择你想要的特性提取和点击应用。现在,清除阴谋的结果复选框。稍后您将策划的结果是否帮助区分不同故障条件下的特性。重复这个过程的压力信号。

提取频域特性

往复泵使用驱动轴和泵液缸。由于泵的机械施工,可能存在循环泵流量和压力的波动。例如,放大部分的流信号使用信号淘洗沙金的人低于信号跟踪情节。

计算流的频谱将突出的自然循环流量信号,可以更好的了解不同故障条件下流量信号变化。使用一个自回归模型估计的频率谱。

该方法符合规定的自回归模型以数据,然后计算的谱估计模型。这种方法可以减少任何过度拟合原始数据信号。在本例中指定一个模式的顺序20.。还设置网格的最低频率0,最高500年。

绘制计算光谱在线性范围内清楚地显示了共振峰。通过故障代码分组突显出不同故障条件下的光谱变化。

执行相同的计算压力信号的结果将提供额外的功能来帮助区分不同故障条件下。

您现在可以计算光谱特性,比如山峰,模态系数,和乐队的力量。

提取这些特征在一个小乐队23 - 250 Hz的山峰之间的频率在250赫兹更小。对于每一个信号,提取五个光谱的峰值。现在,清除阴谋的结果复选框。稍后您将策划的结果是否帮助区分不同故障条件下的特性。重复这个过程的压力信号通过改变信号选择对话框的顶部。

视图功能

我们的所有特性提取收集在一个表中所示功能表浏览器。查看数据计算功能,选择FeatureTable1从数据浏览器并单击功能表视图情节的画廊。故障代码也是表视图中显示特性最右边的列在表中。随着越来越多的特性计算,更多的列添加到表。

你可以看到的分布特征值不同的条件变量值,在这种情况下,故障类型,通过查看直方图特性表。选择FeatureTable1然后,单击柱状图直方图的情节画廊创建一套阴谋。使用不同的下一个和之前的按钮显示直方图特性。直方图情节分组通过故障代码可以帮助确定某些功能是否强大的故障类型之间的差异。如果他们是强大的优势,他们的分布会更加远离对方。三缸泵数据,该功能分布往往重叠,没有功能,显然可以用来识别错误。下一小节将查看使用自动排名找到更多有用的故障预测的功能。

等级和导出功能

从功能设计选项卡上,单击等级特性并选择FeatureTable1。应用程序收集所有特性数据和排名功能基于方差分析等指标。应用程序列表按照重要性的特性基于度量值。在这种情况下,均方根值流信号和压力信号的均方根值和均值特性最强烈互相区分不同的故障类型。

后你排名功能的重要性,下一步是将它们导出,这样您就可以根据这些特征训练分类模型。点击出口,选择导出特性分类学习者,并选择你想使用的功能分类。在这种情况下,出口排名前15的特性。应用程序发送这些特性分类学习者他们可以用来设计一个分类器来识别不同的缺点。

在新会话从文件对话框,分类学习者打开时,确认5倍交叉验证并启动会话。

分类学习者对单个模型显示一个散点图。

在模型部分的分类学习者选项卡中,选择所有模型类型进行训练。

在模型列表中,选择多个。然后,单击火车都。

培训完成后,分类学习者列出了每个模型的型号,以及模型验证的准确性,并显示一个混淆矩阵的第一个模型设置改变排序以准确性(验证)。

支持向量机方法的分类精度最高的77%左右。有一些随机性的过程,所以你的结果可能是不同的。选择这个模型并单击混淆矩阵。混淆矩阵说明该方法如何为每种故障类型分类模型。对角线上的条目代表故障类型分类正确的数量。非对角的条目代表故障类型的预测和真正的类是不一样的。为了提高精度,你可以试试增加功能的数量。或者,你可以在现有的迭代特性。另一个步骤是在现有功能进行迭代——尤其是光谱特性——也许修改谱计算方法,改变带宽,或者使用不同的频率峰值提高分类精度。

三缸泵故障诊断

这个例子展示了如何使用诊断功能设计来分析和选择特性和创建一个分类器来诊断故障三缸往复泵。