预测性维护工具箱™包括一些专门用于计算RUL的专用型号,从不同类型的测量系统数据中。当您拥有历史数据和信息,如:
与您要诊断的机器类似的机器的运行到故障历史记录
某些条件指示符的已知阈值,指示失败
关于类似机器达到故障所需的时间或使用情况的数据(生存期)
RUL估计模型提供了使用历史数据训练模型并使用它预测剩余使用寿命的方法。这个词寿命这里是指根据您用于测量系统寿命的任何数量的机器的使用寿命。相似地时间演变可以表示一个值随使用、旅行距离、循环次数或其他描述生命周期的数量的演变。
使用RUL估计模型的一般工作流程是:
根据您所拥有的数据和系统知识,选择最好的RUL估计模型类型。创建并配置相应的模型对象。
使用您拥有的历史数据列车估算模型。为此,使用合身
命令。
使用与历史数据相同类型的测试数据,估计测试组件的RUL。为此,使用predictRUL
命令。您还可以递归使用测试数据来更新某些型号类型,例如劣化模型,以帮助保持预测准确。为此,使用更新
命令。
有关说明这些步骤的基本示例,请参阅当数据到达时更新RUL预测.
有三个RUL估计模型。根据以下图示所示,选择基于您提供的数据和系统信息的户籍和哪种型号使用。
相似性模型基于从历史数据库的已知类似机器的已知行为的RUL预测。这些模型将测试数据或条件指示值的趋势与其他类似系统提取的相同信息进行比较。
相似模型在以下情况下很有用:
您有来自类似系统的运行到故障数据(组件)。运行到故障数据是在健康操作期间开始的数据,并且当机器处于接近故障或维护时的状态时结束。
运行到故障的数据显示了类似的降级行为。也就是说,当系统退化时,数据以某种特征方式改变。
因此,当你可以获得时,你可以使用相似模型退化概要文件从你的数据集合。退化配置文件表示集成中每台机器(每个组件)的一个或多个状态指示器的演化,即机器从健康状态过渡到故障状态。
预测性维护工具箱包括三种类型的相似模型。这三种类型都通过确定测试数据集的降级历史与集成中数据集的降级历史之间的相似性来估计RUL。对于相似模型,predictRUL
将测试组件的RUL估计为大多数相似组件的中值生命周期减去测试组件的当前生命周期值。这三种模型在定义和量化相似性概念的方式上有所不同。
哈希特征相似模型(HashsimilarityModel.
)—该模型将来自集成的每个成员的历史退化数据转换为固定大小的压缩信息,如平均值、总功率、最大值或最小值,或其他数量。
你打电话的时候合身
在A.HashsimilarityModel.
对象,软件计算这些散列的功能并将它们存储在相似性模型中。你打电话的时候predictRUL
使用来自测试组件的数据,软件计算哈希特征,并将结果与历史追踪功能表中的值进行比较。
当您具有大量劣化数据时,哈希特征相似性模型非常有用,因为它会降低预测所需的数据存储量。但是,其准确性取决于模型使用的散列函数的准确性。如果您在数据中识别出良好的条件指示器,则可以使用方法
财产的HashsimilarityModel.
对象指定要使用这些功能的哈希函数。
两两相似模型(BirwissimilarityModel.
) -两两相似度估计通过寻找其历史退化路径与测试组件的历史退化路径最相关的组件来确定RUL。换句话说,它计算不同时间序列之间的距离,其中距离定义为相关性、动态时间翘曲(dtw
),或者您提供的自定义度量。通过考虑退化轮廓随时间的变化,两两相似度估计可以比哈希相似模型得到更好的结果。
残差相似模型(ResidualsimarilityModel.
) - 基于残余的估计适用于诸如ARMA模型的模型的先验数据或在使用时间中是线性或指数的模型。然后,它计算从集合模型和来自测试组件的数据预测的数据之间的残差。您可以将剩余相似性模型视为成对相似性模型的变化,其中残差的大小是距离度量。当您对系统的知识包括用于降级模型的形式时,剩余相似性方法是有用的。
有关使用相似模型进行RUL估计的示例,请参见基于相似性的剩余可用寿命估计.
退化模型通过推断过去的行为来预测未来的状况。给定集成中的降级配置文件,这种类型的RUL计算适用于条件指示器的降级配置文件的线性或指数模型。然后使用测试组件的退化曲线统计计算剩余时间,直到指标达到某个规定的阈值。当有一个已知的指示失败的条件指示器值时,这些模型是最有用的。两种可用的降级模型类型是:
线性退化模型(lineardegradationmodel.
) -将退化行为描述为带有偏移项的线性随机过程。当系统没有经历累积退化时,线性退化模型是有用的。
指数退化模型(exponentialDegradationModel.
- 用偏移项描述作为指数随机过程的劣化行为。当测试组件经历累积降级时,指数劣化模型很有用。
创建降级模型对象后,使用与类似组件(如按相同规格制造的多台机器)的集成的健康状况有关的历史数据初始化模型。要做到这一点,使用合身
.然后,您可以预测使用的剩余功能的使用寿命predictRUL
.
劣化模型仅使用单个条件指示器。但是,您可以使用主组件分析或其他融合技术来生成融合条件指示符,该指示符包含多个条件指示符的信息。无论您是使用单个指示灯还是融合指示器,查找显示出明显不断增加或降低趋势的指示,以便建模和外推是可靠的。
有关使用这种方法并使用降级模型估计RUL的示例,请参见风力发电机高速轴承预测.
生存分析是一种用于建模时间到事件数据的统计方法。当你没有完整的从运行到失败的历史记录,但是有:
只有关于类似组件的生命周期的数据。例如,您可能知道组件中的每个引擎在需要维护之前运行了多少英里,或者组件中的每个机器在发生故障之前运行了多少小时。在本例中,使用可靠性校长
.该模型给出了一组相似部件的失效时间的历史信息,估计了失效时间的概率分布。该分布用于估计测试组件的RUL。
寿命和其他一些可变数据(协变量),与RUL相关。,也叫环境变量或解释变量,包括诸如组件提供商,使用组件的制度或制造批次的信息。在这种情况下,使用CovariatesurvivalModel.
.该模型是一种比例危害生存模型,它使用寿命和协变量来计算测试组分的存活概率。
CovariatesurvivalModel.
|exponentialDegradationModel.
|合身
|HashsimilarityModel.
|lineardegradationmodel.
|BirwissimilarityModel.
|predictRUL
|可靠性校长
|ResidualsimarilityModel.