剩余的使用寿命（RUL）是机器可能在需要修理或更换之前运行的时间长度。通过考虑RUL，工程师可以安排维护，优化操作效率，并避免计划过时的停机时间。因此，估计RUL是预测性维护计划的首要任务。
RUL估计模型不仅可以预测RUL，而且还提供了预测的置信范围。模型输入是条件指标,从传感器数据或日志数据中提取的特征，当系统退化或以不同模式运行时，其行为以可预测的方式变化。
用于计算RUL的方法取决于可用数据的种类:
- 生命周期数据，表示类似机器达到故障所需的时间
- 与您要诊断的机器类似的机器的运行到故障历史记录
- 检测故障的条件指示器的已知阈值
预测性维护工具箱™提供了从每种类型的数据估计RUL的模型。
终身数据
成分危险模型和组件故障时间的概率分布用于从寿命数据中估算RUL。一个简单的例子是基于过去的放电时间来估计电池的放电时间协变量例如，电池工作的环境(如温度)和负载。
图1中的生存函数图显示了电池失效的概率，该概率基于电池运行的时间。例如，图表显示，如果电池运行75次，它有90%的机会在其寿命结束。
图1所示。生存函数图。在75次循环结束时，电池继续工作的概率是0.1，或10%。
Run-to-Failure数据
如果您有一个数据库，其中包含来自显示相似行为的相似组件或不同组件的运行到故障数据，那么您可以使用相似方法来估计RUL。这些方法捕获退化概要文件并将它们与来自机器的新数据进行比较，以确定哪个数据最匹配。
在图2中，来自引擎的历史运行到故障数据集的降级配置文件显示为蓝色，来自引擎的当前数据显示为红色。根据引擎最接近匹配的概要文件，RUL估计约为65个循环。
图2.基于运行到故障数据的劣化配置文件（蓝色）。最近的蓝曲线的恒星（或终点）的分布给出了65个循环的rul。
阈值数据
在许多情况下，未记录失败的数据或终身数据，但确实有关于规定阈值的信息 - 例如，泵中的液体的温度不能超过160oF（71.oC)，压力必须在2200 psi (155 bar)以下。有了这类信息，您就可以将时间序列模型与从传感器数据(如温度和压力)中提取的状态指示器进行拟合，这些传感器数据会随时间的推移而上升或下降。
这些退化模型通过预测条件指示符将跨越阈值来估算RUL。它们也可以与a一起使用熔融状态指示器它使用主成分分析等技术，将来自多个条件指标的信息合并在一起。
图3显示了一个指数退化模型，用于跟踪风力涡轮机中使用的高速轴承的故障。状态指示器显示为蓝色。退化模型预测轴承将在大约9.5天内超过阈值。红色阴影区域表示该预测的置信范围。
图3。高速轴承的退化模型。基于其当前状态数据(蓝色)和指数退化模型(红色)拟合该数据，轴承有9.5天的估计RUL。
一旦您对RUL的可靠估计，您可以将它们集成到运营商使用的仪表板中或将它们合并到由维护团队监控的警报系统中。然后，团队可以尽快响应设备健康的变化，而不会影响操作。
