Predictive Maintenance Toolbox の Diagnostic Feature Designerで計​算できる特徴量は、時​間領域のものだけです​か？

Predictive Maintenance Toolbox の Diagnostic Feature Designerで計算できる特徴量は、時間領域のものだけですか？

また、複数の特徴量を使用したい場合は、セミナーの前半で紹介された、主成分分析を使用する方法が妥当か、教えてください。

＊Webセミナー「故障データがなくてもできる異常検知 〜センサーデータの活用編〜」からの質問です。

https://jp.mathworks.com/videos/anomaly-detection-without-failure-data-biased-use-of-sensor-data-1592237220538.html

Answer 1

[MathWorks Support Team]

特徴量は、時間領域のもの以外に周波数領域のものもあります（例えば、ピーク振幅やピーク周波数など）。

時間領域では、以下のような特徴量があります。

・信号特徴

https://jp.mathworks.com/help/predmaint/ug/signal-features.html

周波数領域では、以下のような特徴量があります。

・スペクトルの特徴

https://jp.mathworks.com/help/predmaint/ug/spectral-features.html

上記のリンクで説明している特徴量は、Web セミナー内でのデモで使用した Predictive Maintenance Toolbox の Diagnostic Feature Designer アプリからすべて抽出することが可能です。

この他にも、音声データ（時系列振動データ）から得られる代表的な特徴量として、以下のようなものがあります。

・Audio Toolbox: audioFeatureExtractor

https://jp.mathworks.com/help/audio/ref/audiofeatureextractor.html

また、複数の特徴量を使用したい場合は、主成分分析を用いて、一つの総合的な状態健康指標を作成する方法も一つのアプローチと考えます。

これ以外にも、例えば、抽出した複数の特徴量をそのまま説明変数として分類（正常・異常の検知）、または、回帰の問題（寿命予測）に当てはめる方法も考えらえます。

例えば、以下のリンクでは、抽出した特徴量を説明変数として 8 つの故障状態を識別する機械学習のモデル構築の例を紹介しています。

機械学習のモデルはClassification Learnerアプリを使用して作成しています。

・ポンプ診断用の特徴の解析と選択

https://jp.mathworks.com/help/predmaint/ug/analyze-and-select-features-for-pump-diagnostics.html