主要内容

trendability

测量轨迹的条件指标之间的相似度

自从R2018b

所有的页面崩溃

语法

Y = trendability (X)
Y = trendability (X, lifetimeVar)
Y = trendability (X, lifetimeVar dataVar)
Y = trendability (X, lifetimeVar dataVar memberVar)
Y = trendability (___、名称、值)
trendability (___)

描述

例子

Y= trendability (X)返回trendability寿命数据X。使用trendability作为一个功能的测量轨迹之间的相似性测量在几个run-to-failure实验。更trendable特性与相同的底层轨迹的形状。的值Y范围从0到1,Y是1,如果X是完全trendable 0Xnon-trendable。

例子

Y= trendability (X,lifetimeVar)返回trendability寿命数据X使用生命周期变量lifetimeVar。

例子

Y= trendability (X,lifetimeVar,dataVar)返回trendability寿命数据X使用指定的数据变量dataVar。

例子

Y= trendability (X,lifetimeVar,dataVar,memberVar)返回trendability寿命数据X使用生命周期变量lifetimeVar规定,数据变量dataVar和成员变量memberVar。

例子

Y= trendability (___,名称,值)估计trendability由一个或多个指定附加选项名称,值对参数。您可以使用该语法与任何以前的输入参数组合。

例子

trendability (___)没有输出参数块条形图的排名trendability值。

例子

全部折叠

打开生活的脚本

在这个例子中,考虑10相同机器的寿命数据与以下6潜在预后参数 - - - - - - 常数,线性,二次,三次,对数和周期性。数据集machineDataCellArray.mat包含C这是一个1 x10单元阵列单元数组的每个元素的矩阵是一个矩阵,其中包含一个机器的寿命数据。单元阵列中的每个矩阵的第一列包含时间而另一列包含的数据变量。

生命周期数据加载和可视化与时间。

负载(“machineDataCellArray.mat”,“C”)显示(C)
C =1×10单元阵列{219 x7双}{189 x7双}{202 x7双}{199 x7双}{229 x7双}{184 x7双}{224 x7双}{208 x7双}{181 x7双}{197 x7双}
为k = 1:长度(C)图(C {k} (: 1), C {k}(:, 2:结束));持有在;结束

图包含一个坐标轴对象。坐标轴对象包含60线类型的对象。

indicators-constant观察6个不同条件,线性,二次,三次,对数,周期10机器的阴谋。

可视化trendability潜在的预后特征。

trendability (C)

图包含一个坐标轴对象。坐标轴标题Trendability度量对象,包含功能,ylabel Trendability包含一个对象类型的酒吧。

从直方图图,观察到的特性Var2和Var5有trendability值为1。因此,这些特性更适合剩余使用寿命预测,因为他们是最好的机器健康的指标。

打开生活的脚本

在这个例子中,考虑10相同机器的寿命数据与以下6潜在预后参数 - - - - - - 常数,线性,二次,三次,对数和周期性。数据集machineDataTable.mat包含T,这是一个1 x10单元阵列表的单元格数组的每个元素包含一个机器的寿命数据的表。

加载和显示数据。

负载(“machineDataTable.mat”,“T”);显示(T)
T =1×10单元阵列{219 x7表}{189 x7表}{202 x7表}{199 x7表}{229 x7表}{184 x7表}{224 x7表}{208 x7表}{181 x7表}{197 x7表}
头(T {1}, 2)
时间常数线性二次立方对数周期____ ______ ___________ ________ ________ ________ ____ 0 3.2029 11.203 7.7029 3.8829 2.2517 0.2029 0.05 2.8135 10.763 7.2637 3.6006 1.8579 0.12251

注意单元阵列中的每个表包含一生变量“时间”和数据变量“不变”,“线性”,“二次”,“立方”,“对数”,“周期”。

计算trendability时间一生的变量。

Y = trendability (T)“时间”)
Y =1×6表常数线性二次立方对数周期_____累积_____ ___________ 0.0035529 0.99984 0.63753 0.92057 0.99582 0.0041995上面

从合成表trendability值,观察到线性的,立方和对数特性值接近1。因此,这三个特性更适合剩余使用寿命预测,因为他们是最好的机器健康的指标。

打开生活的脚本

考虑4机器的寿命数据。每台机器有4个故障代码的潜在条件指标 - - - - - - 电压、电流和功率。trendabilityEnsemble.zip是一家集4个文件,每个文件包含每台机器的寿命数据的时间表-tbl1.mat,tbl2.mat,tbl3.mat和tbl4.mat。您还可以使用多个机器的文件包含的数据。对于每一个时间表,数据的组织如下:

当你执行计算高数组,MATLAB®使用一个平行池(默认如果你有并行计算工具箱™)或当地的MATLAB会话。要运行示例使用本地MATLAB会话,改变全球执行环境使用mapreduce函数。

mapreduce (0)

提取压缩文件,读取数据的时间表,并创建一个fileEnsembleDatastore使用时间表数据对象。创建一个文件整体数据存储上的更多信息,看一下fileEnsembleDatastore。

解压缩trendabilityEnsemble.zip;实体= fileEnsembleDatastore (pwd,“.mat”);ens.DataVariables = {“电压”,“当前”,“权力”,“FaultCode”,“机”};ens.ReadFcn = @readtable_data;ens.SelectedVariables = {“电压”,“当前”,“权力”,“FaultCode”,“机”};

可视化trendability潜在的预后特点“机”成员变量和组织生命周期数据“FaultCode”。分组数据确保一生trendability分别计算每个故障代码的度量。

trendability(实体,“MemberVariable”,“机”,“GroupBy”,“FaultCode”);
评估高表达式使用当地的MATLAB会话:通过1 1:在0.068秒完成评估在0.16秒完成评估高表达式使用本地MATLAB会话:-通过1对1:在0.026秒完成评估在0.11秒完成评估高表达式使用本地MATLAB会话:-通过1对1:在0.23秒完成评估在0.26秒完成

图包含一个坐标轴对象。坐标轴标题Trendability度量对象,包含功能,ylabel Trendability包含4条类型的对象。这些对象代表FaultCode: 1、FaultCode: 2, FaultCode: 3, FaultCode: 4。

trendability返回一个直方图情节trendability价值排名的特性。高trendability值表示一个更合适的预后参数。例如,候选人特性当前的最高程度的trendability机器FaultCode1。

输入参数

全部折叠

寿命数据,指定为一个单元阵列矩阵、单元阵列的表和时间表,fileEnsembleDatastore对象、表或时间表。生命周期数据包含run-to-failure数据系统的监控。这个词一生这里指的是机器的生命定义的单位你用来衡量系统的生活。等单位的一生可以量的距离(英里),燃料消耗(加仑),或时间开始以来的操作(天)。

如果X是

  • 单元阵列矩阵或表、函数假设每个矩阵或表包含列寿命数据的系统。每一个矩阵的每一列或表,除了第一列,包含一个预后变量的数据。“Var1”、“Var2’,……可以用来参考矩阵列包含的数据。例如,该文件machineDataCellArray.mat包含一个1-by-10单元阵列的矩阵C,每个10矩阵包含数据的一个特定的机器。

  • 一个表或时间表,函数假设每一列,除了第一个,包含列寿命数据。表可以用变量名来引用的列包含的数据。如果lifetimeVar没有指定时X是一个表,然后第一个数据列是作为终生的变量。

  • 一个fileEnsembleDatastore对象,指定数据变量dataVar和成员变量memberVar要使用。如果lifetimeVar没有指定,那么第一个数据列是用作计算寿命变量。

每个数值成员在X的类型是双。

一生变量指定为字符串或字符向量。lifetimeVar措施被监视系统的生命周期和生命周期数据排序lifetimeVar。的价值lifetimeVar必须是一个有效的合奏或表变量名。

单元阵列的矩阵,值“时间”可以用来指每个矩阵的第一列,它被认为包含一生变量。例如,该文件machineDataCellArray.mat包含单元阵列C,每个矩阵的第一列包含一生变量而另一列包含的数据变量。

数据变量指定为一个字符串数组,特征向量,或单元阵列特征向量。数据变量是乐团的成员的主要内容。数据变量可以包括测量数据或派生数据分析和发展的预见性维护算法。

如果X是

  • 一个fileEnsembleDatastore对象的价值dataVar取代的DataVariables财产的合奏。

  • 单元阵列的矩阵,价值“时间”可以用来指每个矩阵的第一列,也就是说,一生变量lifetimeVar。“Var1”、“Var2’,……可以用来参考其他矩阵的列包含生命周期数据。例如,该文件machineDataCellArray.mat包含单元阵列C第一列在每个矩阵包含一生变量。细胞中其他列数组C包含的数据变量。

  • 表中,表变量名可以用来指包含生命周期数据的列。

的值dataVar必须有效的合奏或表变量名。如果dataVar没有指定,指定的计算包括所有数据列,除了一个在吗lifetimeVar。例如,假设单元阵列中的每个条目是一个表变量一个,B,C,D。设置dataVar来(“A”,“D”)只使用一个和D计算时间C和D将被忽略。

成员变量,指定为字符串或字符向量。使用memberVar指定变量识别系统或机器寿命数据X。例如,在fileEnsembleDatastore对象,第五列在每个时间表包含数字识别数据从一个特定的机器。列名称对应的成员变量memberVar。

memberVar被忽略时X被指定为一个单元阵列矩阵或表格。

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:…,“方法”,“排名”

一生变量指定为逗号分隔两人组成的“LifeTimeVariable”和一个字符串或字符向量。如果“LifeTimeVariable没有指定的,那么第一个数据列。

”LifeTimeVariable“相当于输入参数lifetimeVar。

数据变量指定为逗号分隔两人组成的DataVariables”和一个字符串数组,字符特征向量的向量或单元阵列。

”DataVariables“相当于输入参数dataVar。

成员变量,指定为逗号分隔两人组成的MemberVariable”和一个字符串或字符向量。

”MemberVariable“相当于输入参数memberVar。

分组标准,指定为逗号分隔两人组成的GroupBy”和一个字符串或字符向量。使用“GroupBy的指定变量分组寿命数据X操作条件。

函数计算结果的指标分别为每个组应用标准,如故障情况,指定的GroupBy”。例如,在fileEnsembleDatastore对象实体,第四列时间表实体包含的变量“FaultCode”。每台机器的计算指标分组数据“FaultCode”。

当你只能组变量X被定义为一个fileEnsembleDatastore对象、表时间表,或单元阵列表或时间表。

集中数据平滑移动平均线窗口的大小,指定为逗号分隔两人组成的WindowSize和一个标量或双元素向量。Savitzky-Golay滤波器用于数据平滑。有关更多信息,请参见smoothdata。

如果“WindowSize没有指定的,从一生数据窗口长度自动确定X使用smoothdata (X, sgolay)。设置”WindowSize关闭数据平滑的为0。

输出参数

全部折叠

Trendability寿命数据,作为一个向量或表返回。

Trendability的测量轨迹之间的相似性在几个run-to-failure特性测量实验。更trendable特性与相同的底层轨迹的形状。作为一个系统会逐步接近失败,一个合适的条件通常是高度trendable指标。相反,任何功能non-trendable是不太合适的条件指标。的值Y范围从0到1。

  • Y是1,如果X是完全trendable。

  • Y是0,如果X是完全non-trendable。

选择适当的估计参数的所有可用功能的第一步是构建一个可靠的剩余使用寿命预测引擎。trendability值Y是有用的指标,以确定哪些条件最好的跟踪系统的降解过程被监控。trendability越高,越令人满意的预测功能。

当“GroupBy然后,没有指定Y返回一个行向量或单列表。相反,当“GroupBy的是指定的,那么每一行Y对应于一组。

限制

  • 当X是一个高表或高的时间表,trendability然而使用数组完全加载到内存中收集。那么,如果可用内存不足trendability返回一个错误。

算法

trendability使用这个公式的计算:

trendability = 最小值 j , k | 相关系数 ( x j , x k ) | , j , k = 1 , … , 米

在哪里xj代表了矢量的测量功能jth系统和变量米是系统监控的数量。

当xj和xk有不同的长度,短向量是重新取样时间越长向量的长度相匹配。为了促进这个过程,他们的时间向量是第一个规范化百分比一生,也就是说,(0%,100%)。

引用

[1]平底渔船,J。,J. W. Hines. "Identifying Optimal Prognostic Parameters from Data: A Genetic Algorithms Approach." In程序的预测和健康管理协会的年度会议。2009年。

[2]平底渔船,J。“合并数据来源来预测剩余使用寿命——一个自动化的方法来识别预测参数。”Ph.D. Thesis. University of Tennessee, Knoxville, TN, 2010.

[3],Y。智能故障诊断和剩余使用寿命预测的旋转机械。中国西安:西安交通大学出版社,2017年。

[4]Lofti, S。,J. B. Ali, E. Bechhoefer, and M. Benbouzid. "Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR."应用声学120卷,2017年,页1 - 8。

版本历史

介绍了R2018b

另请参阅

||

主题