用于训练和预测的数据

加载该示例的数据，该示例包含两个变量，TestData和TrainingData．

负载UpdateRULExampleData

TestData是一个包含某个条件指示器值的表，条件如前几条记录所示，每小时记录一次。

头(TestData, 5)

ans =5×2表时间条件____ _________ 1 1.0552 2 1.2013 3 0.779781 4 1.09 5 1.0324

TrainingData一个单元格数组的表格有相同的变量TestData．每个细胞在TrainingData表示条件指示器向失败的演变条件在系统中一台机器的生命周期内。

火车预测模型

使用TrainingData培养一个exponentialDegradationModelRUL预测模型。的适合中的历史记录估计模型参数的先验值TrainingData．的之前训练模型的属性包含了模型参数θ，β,ρ．(这些模型参数的详细信息请参见exponentialDegradationModel．)

mdl = exponentialDegradationModel (“LifeTimeUnit”，“小时”）;fit (mdl TrainingData,“时间”，“条件”mdl)。之前

ans =结构体字段:Theta: 0.6762 ThetaVariance: 0.0727 Beta: 0.0583 BetaVariance: 1.8383e-04 Rho: -0.2811

退化模型是最可靠的退化跟踪后的初始斜率出现在条件指标测量。将坡度检测水平设置为0.1，告诉模型在达到坡度之前不要进行RUL预测。(当您提前知道测量的是已经开始退化的组件时，您可以通过设置禁用坡度检测mdl。SlopeDetectionLevel = []．)

mdl。SlopeDetectionLevel = 0.1;

在每个时间步骤预测RUL

定义一个阈值条件指示值，指示机器寿命的结束。RUL是测试机器的条件指示器达到这个阈值之前的预测剩余时间。

阈值= 400;

对于RUL预测，假设TestData从时间开始t= 1小时，每小时将有一个新的数据样本可用。通常，您可以通过每个新数据点预测一个新的RUL值。对于本示例的降级模型，进行循环TestData并使用每个新的数据点更新模型更新命令。然后，检查模型是否检测到足够的斜率变化，以进行可靠的RUL预测。如果是，则使用predictRUL命令。为了观察估计的演变，将估计的RUL值和相关的置信区间存储在向量中EstRUL和CI,分别。类似地，将模型参数存储在数组中ModelParameters．

N =身高(TestData);EstRUL =小时(0 (N, 1));CI =小时(0 (N, 2));ModelParameters = 0 (N, 3);为t = 1:N CurrentDataSample = TestData(t，:);update(mdl,CurrentDataSample) ModelParameters(t，:) = [mdl. php]θmdl。βmdl。ρ];%只在数据显示斜率变化时计算RUL。如果~isempty(mdl. slopedetectioninstant) [EstRUL(t)，CI(t，:)] = predictRUL(mdl,CurrentDataSample,threshold);结束结束

绘制估计模型参数值的轨迹。在退化数据中检测到坡度后，数值变化迅速。当更多的数据点可用时，它们趋向于收敛。

时间=小时(1:N) ';tStart = mdl.SlopeDetectionInstant;%坡度检测时间瞬时情节(时间,ModelParameters);持有在情节([tStart, tStart],[1、2],“k——”)({传奇“\θ(t)”，“\β(t)”，“\ρ(t)”，“检测瞬时斜率”}，“位置”，“最佳”)举行从

绘制预测的RUL，观察随着可用的降级数据的增多，它的演变。直到在退化数据中检测到一个斜率，才会有新的估计RUL值。在那之后，如预期的那样，预测的RUL会随着时间的推移而减少。predictRUL计算RUL值的统计分布。随着时间的推移，预测的RUL的置信界限会变得更窄。

情节(时间、EstRUL“b -”、时间、CI、“c”(tStart)、tStart EstRUL(小时),的r *)标题(“t时刻的估计规则”)包含(“t”) ylabel (“估计原则”)({传奇“预测原则”，“信心绑定”，“信心绑定”，“检测瞬时斜率”}）