결함 검출 및 진단하기

상태 모니터링을 위해 분류기 또는 회귀 모델 훈련

결함의 검출 및 진단을 위한 알고리즘을 설계하려면 시스템 데이터로부터 추출된 상태 지표를 사용하여, 현재 시스템 상태를 테스트 데이터의 분석을 통해 확인할 수 있는 결정 모델을 훈련시키십시오.

알고리즘을 설계할 때, 다양한 상태 지표를 사용하여 여러 결함 검출 및 진단 모델을 테스트해 볼 수 있습니다. 따라서 설계 과정의 이 단계는 다양한 지표 및 그 조합, 그리고 여러 결정 모델을 시험해 보면서 상태 지표를 추출하는 단계와 함께 반복적으로 수행되는 경우가 많습니다.

사용할 수 있는 모델의 유형에 대한 개요는 결함 검출 및 진단을 위한 결정 모델 항목을 참조하십시오.

함수

모두 확장

특징 선택

`pca`	원시 데이터에 대한 주성분 분석
`pcares`	주성분 분석의 잔차
`sequentialfs`	Sequential feature selection using custom criterion
`fscnca`	Feature selection using neighborhood component analysis for classification
`tsne`	t-Distributed Stochastic Neighbor Embedding

통계 분포 피팅

`ksdensity`	일변량 데이터와 이변량 데이터에 대한 커널 평활화 함수 추정값
`histfit`	분포가 피팅된 히스토그램
`coxphfit`	Cox proportional hazards regression
`ztest`	z-검정

머신러닝

`fitcsvm`	단일 클래스 및 이진 분류를 위한 서포트 벡터 머신(SVM) 분류기 훈련
`fitcecoc`	서포트 벡터 머신 또는 다른 분류기에 대해 다중클래스 모델 피팅하기
`fitcknn`	k-최근접이웃 분류기 피팅
`fitclinear`	Fit binary linear classifier to high-dimensional data
`fitcnb`	다중클래스 나이브 베이즈 모델 훈련
`fitctree`	다중클래스 분류를 위한 이진 결정 트리 피팅
`fitckernel`	Fit binary Gaussian kernel classifier using random feature expansion
`kmeans`	k-평균 군집화
`mle`	최대가능도 추정값
`TreeBagger`

동적 모델을 사용한 회귀

`nlarx`	Estimate parameters of nonlinear ARX model
`ssest`	Estimate state-space model using time-domain or frequency-domain data
`arx`	ARX, ARIX, AR 또는 ARI 모델의 파라미터 추정
`armax`	Estimate parameters of ARMAX, ARIMAX, ARMA, or ARIMA model using time-domain data
`ar`	스칼라 시계열에 대한 AR 모델 또는 ARI 모델 식별 시 파라미터 추정
`forecast`	Forecast identified model output
`translatecov`	Translate parameter covariance across model transformation operations

관리도

`controlchart`	Shewhart control charts
`controlrules`	Western Electric and Nelson control rules
`cusum`	누적합을 사용하여 평균의 미세한 변화 감지

변화 지점 감지

`findchangepts`	신호 내 급격한 변화 찾기
`findpeaks`	국소 최댓값 구하기
`pdist`	관측값 쌍 간의 쌍별(Pairwise) 거리
`pdist2`	두 관측값 세트 간의 쌍별(Pairwise) 거리
`mahal`	기준 표본까지의 마할라노비스 거리
`segment`	Segment data and estimate models for each segment

도움말 항목

결정 모델

결함 검출 및 진단을 위한 결정 모델
정상 데이터와 결함 데이터에서 추출한 상태 지표를 사용하여 결함 검출 및 진단을 위해 분류기 또는 회귀 모델을 훈련시킵니다.

모델 기반 접근 방식을 사용한 결함 진단

정상 상태 실험을 사용한 원심 펌프의 결함 진단
모델 기반 접근 방식을 사용하여 펌핑 시스템에서 여러 유형의 결함을 검출하고 진단합니다.
잔차 분석을 사용한 원심 펌프의 결함 진단
펌핑 시스템에 있는 결함의 검출 및 진단을 위해 모델 패리티 방정식 기반 접근 방식을 사용합니다.

시스템 식별을 사용한 결함 검출

데이터 기반 모델을 사용한 결함 검출
결함 검출에 데이터 기반 모델링 접근 방식을 사용합니다.
확장 칼만 필터를 사용한 결함 검출
간단한 DC 모터의 마찰을 온라인 추정하기 위해 확장 칼만 필터를 사용합니다. 추정된 마찰에 유의미한 변화가 감지되고 이는 결함을 나타냅니다.
식별 기법을 사용하여 급격한 시스템 변화 감지하기
온라인 추정 및 자동 데이터 분할 기법을 사용하여 시스템 동작의 급격한 변화를 감지합니다.

다중 클래스 결함 검출

시뮬레이션된 데이터를 사용한 다중 클래스 결함 검출
Simulink 모델을 사용하여 결함 데이터 및 정상 데이터를 생성하고 이 데이터를 사용하여 여러 결함 조합을 검출하는 다중 클래스 분류기를 개발합니다.
펌프 진단을 위한 특징 분석 및 선택하기
진단 특징 디자이너 앱을 사용하여 삼중 왕복 펌프의 결함을 진단하는 특징을 분석하고 선택합니다.

인공 지능을 사용한 결함 검출 및 진단

딥러닝을 사용한 화학 공정 결함 검출
시뮬레이션 데이터를 사용하여 화학 공정의 결함을 검출할 수 있는 신경망을 훈련시킵니다.
Rolling Element Bearing Fault Diagnosis Using Deep Learning
This example shows how to perform fault diagnosis of a rolling element bearing using a deep learning approach.
Anomaly Detection in Industrial Machinery Using Three-Axis Vibration Data
Detect anomalies in industrial-machine vibration data using machine learning and deep learning.