主要内容

使用RUL估计器模型进行RUL估计

预测性维护工具箱™包括一些专门的模型，用于根据不同类型的测量系统数据计算RUL。当你拥有以下历史数据和信息时，这些模型非常有用:

  • 与要诊断的机器类似的机器的运行到故障历史

  • 指示故障的某些条件指示器的已知阈值

  • 关于类似机器达到故障所需的时间或使用量的数据(生命周期)

RUL估计模型提供了使用历史数据训练模型并将其用于执行剩余使用寿命预测的方法。这个词一生这里指的是机器的寿命，它是根据您用来测量系统寿命的任何数量来定义的。类似的时间演化可以表示一个值随使用情况、使用距离、循环次数或其他描述寿命的数量的变化。

使用RUL估计模型的一般工作流程是:

  1. 根据您拥有的数据和系统知识选择最佳类型的RUL估计模型。创建并配置相应的模型对象。

  2. 使用您拥有的历史数据训练估算模型。要做到这一点，请使用适合命令。

  3. 使用与历史数据相同类型的测试数据，估计测试组件的RUL。要做到这一点，请使用predictRUL命令。您还可以递归地使用测试数据来更新一些模型类型，例如退化模型，以帮助保持预测的准确性。要做到这一点，请使用更新命令。

有关说明这些步骤的基本示例，请参见当数据到达时更新RUL预测．

选择一个RUL估计器

RUL估计模型有三种类型。根据现有的数据和系统信息选择使用哪个系列和哪个型号，如下面的插图所示。

相似模型

相似度模型将测试机器的RUL预测基于历史数据库中相似机器的已知行为。这些模型将测试数据或状态指标值的趋势与从其他类似系统中提取的相同信息进行比较。

相似度模型在以下情况下很有用:

  • 您拥有来自类似系统的运行至故障数据(组件)．运行到故障数据是在正常运行期间开始的数据，在机器处于接近故障或维护的状态时结束。

  • 运行到故障的数据显示了类似的退化行为。也就是说，当系统降级时，数据会以某种特定的方式变化。

因此，你可以使用相似度模型，当你可以获得退化概要文件从您的数据集合中。退化配置文件表示集成中每个机器(每个组件)的一个或多个条件指示器的演变，因为机器从健康状态转换到故障状态。

预测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退化历史和集成中数据集的退化历史之间的相似性来估计RUL。对于相似度模型，predictRUL将测试组件的RUL估计为大多数相似组件的寿命中值减去测试组件的当前寿命值。这三个模型在定义和量化相似性概念的方式上有所不同。

  • 散列特征相似度模型(hashSimilarityModel) -此模型将集成的每个成员的历史退化数据转换为固定大小的浓缩信息，如平均值、总功率、最大值或最小值或其他数量。

    当你打电话时适合在一个hashSimilarityModel对象，软件计算这些散列的功能并将它们存储在相似度模型中。当你打电话时predictRUL使用来自测试组件的数据，该软件计算散列特征，并将结果与历史散列特征表中的值进行比较。

    当你有大量退化数据时，散列特征相似度模型是有用的，因为它减少了预测所需的数据存储量。然而，它的准确性取决于模型使用的哈希函数的准确性。如果在数据中确定了良好的状态指标，则可以使用方法的属性hashSimilarityModel对象指定使用这些特性的哈希函数。

  • 两两相似度模型(pairwiseSimilarityModel) -成对相似度估计通过寻找历史退化路径与测试组件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，其中距离被定义为相关性，动态时间翘曲(dtw)，或者您提供的自定义度量。通过考虑随时间变化的退化剖面，成对相似度估计可以比哈希相似度模型给出更好的结果。

  • 剩余相似度模型(residualSimilarityModel) -基于残差的估计将先前的数据适合模型，如ARMA模型或使用时间线性或指数的模型。然后计算从集成模型预测的数据和测试组件的数据之间的残差。您可以将剩余相似度模型视为成对相似度模型的变体，其中残差的大小是距离度量。当您对系统的了解包括退化模型的形式时，剩余相似度方法是有用的。

有关使用相似度模型进行RUL估计的示例，请参见基于相似度的剩余使用寿命估计．

退化模型

退化模型通过推断过去的行为来预测未来的状况。这种类型的RUL计算适合一个线性或指数模型，以条件指示器的退化轮廓，给定集成中的退化轮廓。然后，它使用测试组件的退化概要来统计地计算指示器达到某个规定的阈值之前的剩余时间。当您的条件指示器有一个已知的值表示故障时，这些模型是最有用的。两种可用的退化模型类型是:

  • 线性退化模型(linearDegradationModel-将退化行为描述为带有偏置项的线性随机过程。当系统没有累积退化时，线性退化模型很有用。

  • 指数退化模型(exponentialDegradationModel-将退化行为描述为带有偏置项的指数随机过程。当测试组件经历累积退化时，指数退化模型非常有用。

创建降级模型对象后，使用有关类似组件集成健康状况的历史数据初始化模型，例如按相同规格制造的多台机器。要做到这一点，使用适合．然后，您可以预测类似组件的剩余使用寿命predictRUL．

退化模型只适用于单一的条件指示器。但是，您可以使用主成分分析或其他融合技术来生成融合的条件指示器，其中包含来自多个条件指示器的信息。无论使用单一指标还是融合指标，都要寻找显示出明显上升或下降趋势的指标，这样建模和外推才可靠。

有关采用这种方法并使用退化模型估计RUL的示例，请参见风力机高速轴承预测．

生存模型

生存分析是一种用于对时间到事件数据建模的统计方法。当你没有完整的运行到失败的历史，但相反，它是有用的:

  • 仅提供有关类似组件寿命的数据。例如，您可能知道机组中的每个发动机在需要维护之前运行了多少英里，或者机组中的每台机器在故障之前运行了多少小时。在这种情况下，使用reliabilitySurvivalModel．基于相似部件组成的机群的历史故障次数信息，该模型估计故障次数的概率分布。该分布用于估计测试组件的RUL。

  • 寿命和其他可变数据(协变量)，与RUL相关。协变量，也叫环境变量或解释变量，包括组件提供者、使用组件的制度或制造批次等信息。在这种情况下，使用covariateSurvivalModel．该模型是一个比例风险生存模型，它使用寿命和协变量来计算测试组件的生存概率。

另请参阅

||||||||

相关的话题