시뮬레이션된 데이터를 사용한 다중 클래스 결함 검출
이 예제에서는 Simulink® 모델을 사용하여 결함 데이터와 정상 데이터를 생성하는 방법을 보여줍니다. 이 데이터를 사용하여 여러 결함 조합을 검출하는 다중 클래스 분류기를 개발합니다. 이 예제에서는 삼중 왕복 펌프 모델을 사용하며, 누수, 막힘, 베어링 결함을 포함합니다.
모델 설정하기
이 예제에서는 zip 파일에 저장된 여러 지원 파일을 사용합니다. 파일의 압축을 풀어서 지원 파일에 액세스하고 모델 파라미터를 불러옵니다.
unzip('pdmRecipPump_supportingfiles.zip') % Load Parameters pdmRecipPump_Parameters %Pump CAT_Pump_1051_DataFile_imported %CAD
왕복 펌프 모델
왕복 펌프는 전기 모터, 펌프 하우징, 펌프 크랭크, 펌프 플런저로 구성됩니다.
mdl = 'pdmRecipPump';
open_system(mdl)
open_system([mdl,'/Pump'])
펌프 모델은 실린더 누수, 주입구 막힘, 베어링 마찰 증가와 같은 세 가지 결함 유형을 모델링하도록 구성됩니다. 이들 결함은 작업 공간 변수로 파라미터화되고 펌프 블록 대화 상자를 통해 구성됩니다.
결함 데이터와 정상 데이터 시뮬레이션하기
세 가지 결함 유형 각각에 대해 결함 없음부터 상당한 결함까지의 범위를 갖는, 결함 심각도를 나타내는 값으로 구성된 배열을 만듭니다.
% Define fault parameter variations numParValues = 10; leak_area_set_factor = linspace(0.00,0.036,numParValues); leak_area_set = leak_area_set_factor*TRP_Par.Check_Valve.In.Max_Area; leak_area_set = max(leak_area_set,1e-9); % Leakage area cannot be 0 blockinfactor_set = linspace(0.8,0.53,numParValues); bearingfactor_set = linspace(0,6e-4,numParValues);
펌프 모델은 잡음을 포함하도록 구성되므로 동일한 결함 파라미터 값으로 모델을 실행해도 서로 다른 시뮬레이션 출력값이 생성됩니다. 이는 동일한 결함 상태 및 심각도에 대해 여러 개의 시뮬레이션 결과가 생성될 수 있음을 의미하므로 분류기를 개발할 때 유용합니다. 이러한 결과를 위한 시뮬레이션을 구성하려면 값이 결함 없음, 단일 결함, 두 가지 결함의 조합, 세 가지 결함의 조합을 나타내는 결함 파라미터 값으로 구성된 벡터를 만드십시오. 각 그룹(결함 없음, 단일 결함 등)에 대해 이렇게 정의한 결함 파라미터 값으로부터 125개의 결함 값 조합을 만듭니다. 이를 통해 총 1,000개의 결함 파라미터 값의 조합이 만들어집니다. 1,000개의 시뮬레이션을 병렬로 실행하면 표준 데스크탑에서 약 1시간이 소요되며 약 620MB의 데이터가 생성됩니다. 시뮬레이션 시간을 줄이려면 runAll = true를 runAll = false로 변경하여 결함 조합의 개수를 20개로 줄이십시오. 데이터셋 크기가 클수록 분류기 성능이 강력해집니다.
% Set number of elements in each fault group runAll = true; if runAll % Create a large dataset to build a robust classifier nPerGroup = 100; else % Create a smaller dataset to reduce simulation time nPerGroup = 20; %#ok<UNRCH> end rng('default'); % Feed default seed to rng (Random number generator) % No fault simulations leakArea = repmat(leak_area_set(1),nPerGroup,1); blockingFactor = repmat(blockinfactor_set(1),nPerGroup,1); bearingFactor = repmat(bearingfactor_set(1),nPerGroup,1); % Single fault simulations idx = ceil(10*rand(nPerGroup,1)); leakArea = [leakArea; leak_area_set(idx)']; blockingFactor = [blockingFactor;repmat(blockinfactor_set(1),nPerGroup,1)]; bearingFactor = [bearingFactor;repmat(bearingfactor_set(1),nPerGroup,1)]; idx = ceil(10*rand(nPerGroup,1)); leakArea = [leakArea; repmat(leak_area_set(1),nPerGroup,1)]; blockingFactor = [blockingFactor;blockinfactor_set(idx)']; bearingFactor = [bearingFactor;repmat(bearingfactor_set(1),nPerGroup,1)]; idx = ceil(10*rand(nPerGroup,1)); leakArea = [leakArea; repmat(leak_area_set(1),nPerGroup,1)]; blockingFactor = [blockingFactor;repmat(blockinfactor_set(1),nPerGroup,1)]; bearingFactor = [bearingFactor;bearingfactor_set(idx)']; % Double fault simulations idxA = ceil(10*rand(nPerGroup,1)); idxB = ceil(10*rand(nPerGroup,1)); leakArea = [leakArea; leak_area_set(idxA)']; blockingFactor = [blockingFactor;blockinfactor_set(idxB)']; bearingFactor = [bearingFactor;repmat(bearingfactor_set(1),nPerGroup,1)]; idxA = ceil(10*rand(nPerGroup,1)); idxB = ceil(10*rand(nPerGroup,1)); leakArea = [leakArea; leak_area_set(idxA)']; blockingFactor = [blockingFactor;repmat(blockinfactor_set(1),nPerGroup,1)]; bearingFactor = [bearingFactor;bearingfactor_set(idxB)']; idxA = ceil(10*rand(nPerGroup,1)); idxB = ceil(10*rand(nPerGroup,1)); leakArea = [leakArea; repmat(leak_area_set(1),nPerGroup,1)]; blockingFactor = [blockingFactor;blockinfactor_set(idxA)']; bearingFactor = [bearingFactor;bearingfactor_set(idxB)']; % Triple fault simulations idxA = ceil(10*rand(nPerGroup,1)); idxB = ceil(10*rand(nPerGroup,1)); idxC = ceil(10*rand(nPerGroup,1)); leakArea = [leakArea; leak_area_set(idxA)']; blockingFactor = [blockingFactor;blockinfactor_set(idxB)']; bearingFactor = [bearingFactor;bearingfactor_set(idxC)'];
결함 파라미터 조합을 사용하여 Simulink.SimulationInput 객체를 만듭니다. 각 시뮬레이션 입력값에 대해 서로 다른 결과가 생성되도록 난수 시드값을 다르게 설정합니다.
for ct = numel(leakArea):-1:1 simInput(ct) = Simulink.SimulationInput(mdl); simInput(ct) = setVariable(simInput(ct),'leak_cyl_area_WKSP',leakArea(ct)); simInput(ct) = setVariable(simInput(ct),'block_in_factor_WKSP',blockingFactor(ct)); simInput(ct) = setVariable(simInput(ct),'bearing_fault_frict_WKSP',bearingFactor(ct)); simInput(ct) = setVariable(simInput(ct),'noise_seed_offset_WKSP',ct-1); end
generateSimulationEnsemble 함수를 사용하여 위에서 정의한 Simulink.SimulationInput 객체에 의해 정의된 시뮬레이션을 실행하고 결과를 로컬 하위 폴더에 저장합니다. 그런 다음 저장된 결과에서 simulationEnsembleDatastore를 만듭니다.
% Run the simulation and create an ensemble to manage the simulation % results if isfolder('./Data') % Delete existing mat files delete('./Data/*.mat') end [ok,e] = generateSimulationEnsemble(simInput,fullfile('.','Data'),'UseParallel',false,'ShowProgress',false); %Set the UseParallel flag to true to use parallel computing capabilities ens = simulationEnsembleDatastore(fullfile('.','Data'));
시뮬레이션 결과에서 특징 처리 및 추출
모델은 펌프 출력 압력, 출력 유속, 모터 속도 및 모터 전류를 기록하도록 구성됩니다.
ens.DataVariables
ans = 8×1 string
"SimulationInput"
"SimulationMetadata"
"iMotor_meas"
"pIn_meas"
"pOut_meas"
"qIn_meas"
"qOut_meas"
"wMotor_meas"
앙상블의 각 멤버에 대해 펌프 출력 유속을 전처리하고 펌프 출력 유속을 기반으로 상태 지표를 계산합니다. 상태 지표는 나중에 결함 분류에 사용됩니다. 전처리를 위해, 시뮬레이션 및 펌프 작동 시작 시의 과도 데이터가 포함된 출력 유속의 처음 0.8초 부분을 제거합니다. 전처리의 일환으로 출력 유속의 파워 스펙트럼을 계산하고, SimulationInput을 사용하여 결함 변수의 값을 반환합니다.
읽기 작업에서 관심 변수만 반환하도록 앙상블을 구성하고, 이 예제의 끝에 정의된 preprocess 함수를 호출합니다.
ens.SelectedVariables = ["qOut_meas", "SimulationInput"]; reset(ens) data = read(ens)
data=1×2 table
qOut_meas SimulationInput
__________________ ______________________________
{2001×1 timetable} {1×1 Simulink.SimulationInput}
[flow,flowP,flowF,faultValues] = preprocess(data);
유속과 유속 스펙트럼을 플로팅합니다. 플로팅된 데이터는 결함 없는 상태에 대한 것입니다.
% Figure with nominal subplot(211); plot(flow.Time,flow.Data); subplot(212); semilogx(flowF,pow2db(flowP)); xlabel('Hz')
유속 스펙트럼은 예상한 주파수에 공명 피크가 있음을 나타냅니다. 구체적으로 보면, 펌프 모터 속도는 950rpm/15.833Hz이고, 펌프에 실린더가 3개 있으므로 유속은 3*15.833Hz=47.5Hz에 기본주파수를, 47.5Hz의 배수에 고조파를 가질 것으로 예상됩니다. 유속 스펙트럼에서 예상되는 공명 피크를 명확히 확인할 수 있습니다. 펌프의 실린더 중 하나에서 발생한 결함은 펌프 모터 속도 15.833Hz와 그 고조파에서 공명으로 나타납니다.
유속 스펙트럼과 느린 신호를 통해 상태 지표가 될 수 있을 만한 특징을 대략적으로 파악할 수 있습니다. 구체적으로는 평균, 분산과 같은 일반적인 신호 통계량과 스펙트럼 특징이 여기에 해당합니다. 피크 크기를 갖는 주파수, 15.833Hz 부근의 에너지, 47.5Hz 부근의 에너지, 100Hz 이상에서의 에너지와 같은 예상되는 고조파와 관련된 스펙트럼 상태 지표가 계산됩니다. 스펙트럼 첨도 피크의 주파수도 계산됩니다.
상태 지표를 위한 데이터 변수와 결함 변수 값을 위한 상태 변수로 앙상블을 구성합니다. 그런 다음 extractCI 함수를 호출하여 특징을 계산하고, writeToLastMemberRead 명령을 사용하여 앙상블에 특징과 결함 변수 값을 추가합니다. extractCI 함수는 이 예제의 끝에 정의되어 있습니다.
ens.DataVariables = [ens.DataVariables; ... "fPeak"; "pLow"; "pMid"; "pHigh"; "pKurtosis"; ... "qMean"; "qVar"; "qSkewness"; "qKurtosis"; ... "qPeak2Peak"; "qCrest"; "qRMS"; "qMAD"; "qCSRange"]; ens.ConditionVariables = ["LeakFault","BlockingFault","BearingFault"]; feat = extractCI(flow,flowP,flowF); dataToWrite = [faultValues, feat]; writeToLastMemberRead(ens,dataToWrite{:})
위 코드는 시뮬레이션 앙상블의 첫 번째 멤버를 대상으로 상태 지표를 전처리하고 계산합니다. 앙상블 hasdata 명령을 사용하여 앙상블의 모든 멤버에 대해 이 작업을 반복합니다. 여러 결함 상태의 시뮬레이션 결과를 파악하기 위해 앙상블의 백 번째 요소마다 플로팅합니다.
%Figure with nominal and faults figure, subplot(211); lFlow = plot(flow.Time,flow.Data,'LineWidth',2); subplot(212); lFlowP = semilogx(flowF,pow2db(flowP),'LineWidth',2); xlabel('Hz') ct = 1; lColors = get(lFlow.Parent,'ColorOrder'); lIdx = 2; % Loop over all members in the ensemble, preprocess % and compute the features for each member while hasdata(ens) % Read member data data = read(ens); % Preprocess and extract features from the member data [flow,flowP,flowF,faultValues] = preprocess(data); feat = extractCI(flow,flowP,flowF); % Add the extracted feature values to the member data dataToWrite = [faultValues, feat]; writeToLastMemberRead(ens,dataToWrite{:}) % Plot member signal and spectrum for every 100th member if mod(ct,100) == 0 line('Parent',lFlow.Parent,'XData',flow.Time,'YData',flow.Data, ... 'Color', lColors(lIdx,:)); line('Parent',lFlowP.Parent,'XData',flowF,'YData',pow2db(flowP), ... 'Color', lColors(lIdx,:)); if lIdx == size(lColors,1) lIdx = 1; else lIdx = lIdx+1; end end ct = ct + 1; end
서로 다른 결함 상태와 심각도하에서 스펙트럼이 예상 주파수에서 고조파를 포함하는 것을 볼 수 있습니다.
펌프 결함 검출 및 분류하기
이전 섹션에서는 서로 다른 결함 조합과 심각도를 갖는 시뮬레이션 결과에 대응되는 시뮬레이션 앙상블의 모든 멤버에 대해 유속 신호로부터 상태 지표를 전처리하고 계산했습니다. 상태 지표는 펌프 유속 신호에서 펌프 결함을 검출하고 분류하는 데 사용할 수 있습니다.
상태 지표를 읽을 수 있도록 시뮬레이션 앙상블을 구성하고, tall 명령과 gather 명령을 사용하여 모든 상태 지표와 결함 변수 값을 메모리로 불러옵니다.
% Get data to design a classifier. reset(ens) ens.SelectedVariables = [... "fPeak","pLow","pMid","pHigh","pKurtosis",... "qMean","qVar","qSkewness","qKurtosis",... "qPeak2Peak","qCrest","qRMS","qMAD","qCSRange",... "LeakFault","BlockingFault","BearingFault"]; idxLastFeature = 14; % Load the condition indicator data into memory data = gather(tall(ens));
Evaluating tall expression using the Local MATLAB Session: - Pass 1 of 1: Completed in 1 min 23 sec Evaluation completed in 1 min 23 sec
data(1:10,:)
ans=10×17 table
fPeak pLow pMid pHigh pKurtosis qMean qVar qSkewness qKurtosis qPeak2Peak qCrest qRMS qMAD qCSRange LeakFault BlockingFault BearingFault
______ ______ ______ ______ _________ ______ ______ _________ _________ __________ ______ ______ ______ ________ _________ _____________ ____________
95.749 7.4377 96.246 92.617 360.93 38.016 11.875 -0.70969 2.9885 19.839 1.1672 38.171 2.8614 45617 1e-09 0.8 0
95.81 8.7548 76.528 81.585 313.74 38.02 11.243 -0.66206 2.8867 19.554 1.1741 38.168 2.786 45624 1e-09 0.8 0
95.81 9.3164 95.741 81.76 278.15 38.017 11.414 -0.65767 2.8446 17.904 1.1493 38.167 2.8103 45622 1e-09 0.8 0
15.929 229.89 172.72 62.243 197.85 35.739 17.361 -0.21228 2.2656 19.259 1.2256 35.981 3.4465 42892 3.2e-06 0.8 0
15.929 308.95 176.6 47.473 197.85 35.453 19.394 -0.149 2.1681 19.761 1.2302 35.725 3.6708 42547 3.6e-06 0.8 0
95.81 13.846 112.04 80.069 118.38 37.708 11.663 -0.6497 2.8764 19.124 1.1707 37.863 2.8293 45249 4e-07 0.8 0
15.929 281.96 180.27 49.535 246.69 35.406 19.35 -0.14091 2.1397 18.987 1.2178 35.678 3.6818 42491 3.6e-06 0.8 0
47.906 130.47 147.47 66.197 152.32 36.271 14.607 -0.26691 2.3759 17.615 1.1962 36.472 3.1342 43527 2.4e-06 0.8 0
95.81 7.1699 98.464 92.378 186.26 38.005 11.575 -0.70257 2.8724 18.101 1.1548 38.157 2.8239 45608 1e-09 0.8 0
95.81 19.455 107.29 73.209 410.6 37.47 11.399 -0.52324 2.4842 16.94 1.1691 37.622 2.8115 44964 8e-07 0.8 0
각 앙상블 멤버의 결함 변수 값(데이터 테이블에서 행으로 나타남)을 여러 결함 플래그로 변환할 수 있으며, 여러 결함 플래그는 각 멤버의 서로 다른 결함 상태를 캡처하는 하나의 플래그로 결합할 수 있습니다.
% Convert the fault variable values to flags
data.LeakFlag = data.LeakFault > 1e-6;
data.BlockingFlag = data.BlockingFault < 0.8;
data.BearingFlag = data.BearingFault > 0;
data.CombinedFlag = data.LeakFlag+2*data.BlockingFlag+4*data.BearingFlag;상태 지표를 입력값으로 받아서 결합된 결함 플래그를 반환하는 분류기를 만듭니다. 2차 다항식 커널을 사용하는 서포트 벡터 머신을 훈련시킵니다. cvpartition 명령을 사용하여 앙상블 멤버를 훈련용 세트와 검증용 세트로 분할합니다.
rng('default') % for reproducibility predictors = data(:,1:idxLastFeature); response = data.CombinedFlag; cvp = cvpartition(size(predictors,1),'KFold',5); % Create and train the classifier template = templateSVM(... 'KernelFunction', 'polynomial', ... 'PolynomialOrder', 2, ... 'KernelScale', 'auto', ... 'BoxConstraint', 1, ... 'Standardize', true); combinedClassifier = fitcecoc(... predictors(cvp.training(1),:), ... response(cvp.training(1),:), ... 'Learners', template, ... 'Coding', 'onevsone', ... 'ClassNames', [0; 1; 2; 3; 4; 5; 6; 7]);
훈련된 분류기의 성능을 검증 데이터를 사용하여 확인하고, 결과를 정오 플롯에 플로팅합니다.
% Check performance by computing and plotting the confusion matrix actualValue = response(cvp.test(1),:); predictedValue = predict(combinedClassifier, predictors(cvp.test(1),:)); confdata = confusionmat(actualValue,predictedValue); figure, labels = {'None', 'Leak','Blocking', 'Leak & Blocking', 'Bearing', ... 'Bearing & Leak', 'Bearing & Blocking', 'All'}; h = heatmap(confdata, ... 'YLabel', 'Actual leak fault', ... 'YDisplayLabels', labels, ... 'XLabel', 'Predicted fault', ... 'XDisplayLabels', labels, ... 'ColorbarVisible','off');
정오 플롯은 각 결함 조합에 대해 결함 조합이 올바르게 예측된 횟수(플롯에서 대각선에 있는 항목)와 결함 조합이 잘못 예측된 횟수(대각선을 벗어난 항목)를 보여줍니다.
정오 플롯은 분류기가 일부 결함 상태를 올바르게 분류하지 않았음을 보여줍니다(대각선을 벗어난 항목). 그러나 전반적인 검증 정확도는 90%였고 결함 존재를 예측한 정확도는 100%였습니다.
% Compute the overall accuracy of the classifier
sum(diag(confdata))/sum(confdata(:))ans = 0.9062
% Compute the accuracy of the classifier at predicting % that there is a fault 1-sum(confdata(2:end,1))/sum(confdata(:))
ans = 1
결함이 잘못 예측된 경우를 검토합니다. 검증 데이터에서 실제 결함이 막힘 결함이었으나 베어링 및 막힘 결함이 예측된 경우를 찾습니다.
vData = data(cvp.test(1),:); b1 = ((actualValue==2) & (predictedValue==6)); fData = vData(b1,15:17)
fData=4×3 table
LeakFault BlockingFault BearingFault
_________ _____________ ____________
1e-09 0.53 0
4e-07 0.59 0
8e-07 0.71 0
4e-07 0.59 0
막힘 결함만 존재하는 상황에서 베어링 결함과 막힘 결함이 둘 다 예측된 경우를 검토해 보면, 누수 결함 값이 공칭 값 1e-9에 가깝고 막힘 결함 값이 약 0.6이고 베어링 결함 값이 공칭 값 0인 경우임을 알 수 있습니다. 결함 오분류의 경우와 실제로 베어링 결함과 막힘 결함이 둘 다 있는 경우의 스펙트럼을 플로팅해 보면 스펙트럼이 매우 비슷하여 검출이 어렵다는 것을 알 수 있습니다. 추가 펌프 측정값을 사용해 더 많은 정보를 제공하면 작은 막힘 결함을 검출하는 능력이 개선될 수 있습니다. 또는 특정 주파수 대역의 에너지를 고려하는 추가적인 특징을 사용하여 성능을 개선할 수도 있습니다.
% Configure the ensemble to only read the flow and fault variable values ens.SelectedVariables = ["qOut_meas","LeakFault","BlockingFault","BearingFault"]; reset(ens) % Load the ensemble member data into memory data = gather(tall(ens));
Evaluating tall expression using the Local MATLAB Session: - Pass 1 of 1: Completed in 2 min 34 sec Evaluation completed in 2 min 34 sec
% Look for the member that was incorrectly predicted, and % compute its power spectrum idx = ... data.BlockingFault == fData.BlockingFault(1) & ... data.LeakFault == fData.LeakFault(1) & ... data.BearingFault == fData.BearingFault(1); flow1 = data(idx,1); flow1 = flow1.qOut_meas{1}; [flow1P,flow1F] = pspectrum(flow1); % Look for a member that has blocking and bearing faults idx = ... data.BlockingFault == 0.53 & ... data.LeakFault == 1e-9 & ... data.BearingFault == 6e-4; flow2 = data(idx,1); flow2 = flow2.qOut_meas{1}; [flow2P,flow2F] = pspectrum(flow2); % Plot the power spectra semilogx(... flow1F,pow2db(flow1P),... flow2F,pow2db(flow2P)); xlabel('Hz') legend('Misclassified blocking fault','Actual blocking and bearing fault')
결론
이 예제에서는 Simulink 모델을 사용하여 왕복 펌프의 결함을 모델링하고, 여러 결함 조합과 심각도하에서 모델을 시뮬레이션하고, 펌프 출력 유속에서 상태 지표를 추출하고, 상태 지표를 사용하여 분류기가 펌프 결함을 검출하도록 훈련시키는 방법을 보여주었습니다. 그리고 분류기를 사용하여 결함 검출의 성능을 검토해 보았으며 이를 통해 막힘 결함은 베어링 및 막힘 결함 상태와 매우 비슷하기 때문에 안정적으로 검출될 수 없다는 사실을 알 수 있었습니다.
지원 함수
function [flow,flowSpectrum,flowFrequencies,faultValues] = preprocess(data) % Helper function to preprocess the logged reciprocating pump data. % Remove the 1st 0.8 seconds of the flow signal tMin = seconds(0.8); flow = data.qOut_meas{1}; flow = flow(flow.Time >= tMin,:); flow.Time = flow.Time - flow.Time(1); % Ensure the flow is sampled at a uniform sample rate flow = retime(flow,'regular','linear','TimeStep',seconds(1e-3)); % Remove the mean from the flow and compute the flow spectrum fA = flow; fA.Data = fA.Data - mean(fA.Data); [flowSpectrum,flowFrequencies] = pspectrum(fA,'FrequencyLimits',[2 250]); % Find the values of the fault variables from the SimulationInput simin = data.SimulationInput{1}; vars = {simin.Variables.Name}; idx = strcmp(vars,'leak_cyl_area_WKSP'); LeakFault = simin.Variables(idx).Value; idx = strcmp(vars,'block_in_factor_WKSP'); BlockingFault = simin.Variables(idx).Value; idx = strcmp(vars,'bearing_fault_frict_WKSP'); BearingFault = simin.Variables(idx).Value; % Collect the fault values in a cell array faultValues = {... 'LeakFault', LeakFault, ... 'BlockingFault', BlockingFault, ... 'BearingFault', BearingFault}; end function ci = extractCI(flow,flowP,flowF) % Helper function to extract condition indicators from the flow signal % and spectrum. % Find the frequency of the peak magnitude in the power spectrum. pMax = max(flowP); fPeak = flowF(flowP==pMax); % Compute the power in the low frequency range 10-20 Hz. fRange = flowF >= 10 & flowF <= 20; pLow = sum(flowP(fRange)); % Compute the power in the mid frequency range 40-60 Hz. fRange = flowF >= 40 & flowF <= 60; pMid = sum(flowP(fRange)); % Compute the power in the high frequency range >100 Hz. fRange = flowF >= 100; pHigh = sum(flowP(fRange)); % Find the frequency of the spectral kurtosis peak [pKur,fKur] = pkurtosis(flow); pKur = fKur(pKur == max(pKur)); % Compute the flow cumulative sum range. csFlow = cumsum(flow.Data); csFlowRange = max(csFlow)-min(csFlow); % Collect the feature and feature values in a cell array. % Add flow statistic (mean, variance, etc.) and common signal % characteristics (rms, peak2peak, etc.) to the cell array. ci = {... 'qMean', mean(flow.Data), ... 'qVar', var(flow.Data), ... 'qSkewness', skewness(flow.Data), ... 'qKurtosis', kurtosis(flow.Data), ... 'qPeak2Peak', peak2peak(flow.Data), ... 'qCrest', peak2rms(flow.Data), ... 'qRMS', rms(flow.Data), ... 'qMAD', mad(flow.Data), ... 'qCSRange',csFlowRange, ... 'fPeak', fPeak, ... 'pLow', pLow, ... 'pMid', pMid, ... 'pHigh', pHigh, ... 'pKurtosis', pKur(1)}; end
참고 항목
관련 항목
You can also select a web site from the following list:
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)