MATLAB预测性维护

本篇文章主要介绍MATLAB预测性维护中如何找到目标潜在状态指标，即分类诊断工具箱，至于预测性维护前期的数据处理以及后期的算法，这部分暂且不提。
分类诊断工具箱是一个评估潜在状态指标的应用，在数据集上运行。可以说，分类诊断器是一个集成学习的工具，每个数据集是一个单独的样本存在于输入数据中。

构建数据集

输入的数据是含有异常单体电芯（37号电芯自放电率大）的异常模组（含有40个电芯的模组）在一定时间内的电压变化的数据。

数据是一个表，包含十一个单体电芯在同一个充放条件下的电压变化，这十一个单体电芯构成一个整体，其中有一个单体代表异常单体，剩下十个表现为健康单体。

这个表包含11行，每一行表示一个单体特征，每一个单体由一个时间表和条件变量组成。每个时间表都有相同的长度，条件变量的含义为指示单体为健康或者异常。在这里异常单体设置为1，正常单体设置为0。

加载数据

在分类诊断器中新建会话导入数据。默认情况下是导入所有的数据。分类诊断器会将集成数据中提取变量名称嵌入时间表，表示健康或者异常的变量需要将变量类型改为条件变量。下方的Summary仲可以查看到变量的名称、类型和自变量。确认无误，导入数据。

入数据后，选中信号变量，Signal Trace可以进行数据可视化

处理数据

预测性维护算法不可缺少的是条件指标（健康或者异常），这是将相似的系统状态聚集到一起，不同的状态区分来的关键。
特征分析有两种方法：
1.直接使用信号进行分析，生成特征；
2.使用一些数据处理方法（例如：过滤或者平均）后，再进行特征计算。
分类诊断工具箱提供了两种常用的数据处理的方式：时间同步平均和功率谱计算。
时间同步平均在Filtering&Averaging选项卡的Time-Synchronous Averaging,不适用于计算电压数据。
功率谱计算在Spcetral Estimation中的Autoregressive Model添加之后会导出一个新的谱数据变量


对原始信号生产时域特征：选择时域特征分析，选择统计特征（其中取消形状因子）和脉冲特征，取消掉所有的谐波特征。

对于选定的要素，诊断工具箱会计算每个特征的值，并以直方图显示结果。图中蓝色显示正常，橙色显示异常，异常和健康的特征重合则显示为棕色。
图中一共给出了九个特征：1.间隙特征；2.波顶因数；3.脉冲因子；4.峰度；5.均值；6.峰值；7.均方根;8.偏斜度；9.标准差
其中均值，均方根，偏斜度，标准差能够有一个很好的区分度。
峰度：衡量数据分布的平坦度，即数据取值分布形态陡缓程度的统计量。

偏态：衡量对称性，0是最完美的对称性，正态分布的偏态就是0。如果偏度为正，则说明平均值大于中位数，如果偏度为负，则说明平均值小于中位数。

然后对功率谱数据进行分析。最大最小的频段分别设置为0.01和1，得到的分析结果如图。

三种频带功率都对健康或者异常的数据有所区分。

功能排名及导出

使用Rank Features对上面的指标进行排序，得到时域和频域计算得到的指标进行排序，选择排序，得到下图。

然后将特征导入到工作区。

分类诊断器还有一个自动筛选特征的功能，选择自动计算指标；



TSPROC（时间序列 PROCessor）是一个时间序列处理的工具，主要是分析时间序列与水平特征的偏移量。

对时序数据进行重采样处理，对数据的原始采样率进行一定比率的更改。

写在最后

其实MATLAB预测性维护工具箱很好用，写在最后的两种数据处理方式可以很好的将异常数据区分出来，可惜的是不清楚这两种数据处理方式是什么，目前就这一部分内容也无法向官方技术支持寻求帮助。