剩余使用寿命(RUL)是指机器在需要维修或更换之前可能运行的时间长度。通过考虑RUL，工程师可以安排维护，优化运行效率，避免计划外停机。由于这个原因，估计RUL是预见性维护程序中的首要任务。
RUL估计模型不仅预测RUL，还提供了对预测的信心束缚。模型输入是条件指标，从传感器数据或日志数据中提取的功能，其行为以可预测的方式更改，因为系统降低或以不同的模式进行操作。
用于计算RUL的方法取决于可用的数据类型：
- 终身数据表明类似机器达到失败需要多长时间
- 类似于要诊断的机器的运行失败历史
- 检测故障的条件指示器的已知阈值
预测维护工具箱™提供用于估计来自每种类型的RUL的模型。
生命周期数据
利用比例危险模型和部件失效时间的概率分布，从寿命数据中估计出RUL。一个简单的例子是基于过去的放电时间和估计电池的放电时间协变量，诸如电池（例如温度）和放置在其上的负载的环境之类的变量。
图1中的生存函数图显示了基于运行持续多长时间的电池将失效的概率。例如，曲线显示，如果电池在运行75个周期，则它有90％的几率在其寿命结束时。
图1.生存函数图。在75次循环结束时，电池继续运行的可能性为0.1或10％。
运行失败数据
如果您有来自类似组件的运行失败数据数据库或显示类似行为的不同组件，则可以使用相似性方法估算RUL。这些方法捕获劣化型材并将它们与来自机器的新数据进行比较，以确定数据最密切匹配的配置文件。
在图2中，来自发动机的历史失败数据集的劣化配置文件以蓝色示出，并且来自发动机的当前数据以红色示出。基于引擎最接近匹配的轮廓，估计约为65周期。
图2。基于运行到故障数据的降级配置文件(蓝色)。最近蓝色曲线的星(或端点)的分布给出了65个周期的RUL。
阈值数据
在许多情况下，没有记录下从运行到故障的数据或寿命数据，但您确实有规定阈值的信息，例如，泵内液体的温度不能超过160O.F (71O.c）和压力必须低于2200 psi（155 bar）。通过这种信息，您可以将时间序列模型装配到从传感器数据提取的条件指示器，例如温度和压力，从而随时间上升或下降。
这些退化模型通过预测条件指示器何时将越过阈值来估计RUL。它们也可以和a连用融合条件指标使用诸如主成分分析的技术，将来自多个条件指示符的信息包含在内。
图3示出了一种指数劣化模型，其追踪风力涡轮机中使用的高速轴承的故障。条件指示器以蓝色显示。降级模型预测轴承在大约9.5天内将跨越阈值。在红色中遮蔽的区域代表了这种预测的置信界限。
图3.高速轴承的劣化模型。轴承基于其当前条件数据（蓝色）和符合此数据的指数劣化模型（红色），估计为9.5天。
一旦对RUL有了可靠的估计，就可以将它们集成到操作人员使用的仪表板中，或者集成到维护团队监控的警报系统中。这样，各小组就可以在不影响业务的情况下，尽快对设备健康状况的变化作出反应。
