训练和预测数据

加载这个例子的数据，它由两个变量组成，TestData而且TrainingData．

负载UpdateRULExampleData

TestData是一个包含某些条件指示器值的表，条件，每小时记录一次，如前几个条目所示。

头(TestData, 5)

时间条件____ _________ 1 1.0552 2 1.2013 3 0.79781 4 1.09 5 1.0324

TrainingData单元格数组的表是否具有相同的变量TestData．中的每个单元格TrainingData表示条件指示器到失败的演变条件在集合中一台机器的生命周期中。

列车预测模型

使用TrainingData训练exponentialDegradationModelRUL预测模型。的适合命令根据中的历史记录估计模型参数的先验值TrainingData．的之前属性的训练模型包含模型参数θ，β,ρ．(关于这些模型参数的详细信息，请参见exponentialDegradationModel．)

mdl =指数退化模型(“LifeTimeUnit”，“小时”）;fit (mdl TrainingData,“时间”，“条件”mdl)。之前

ans =带字段的结构: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，初始斜率出现在条件指示器测量。将坡度检测水平设置为0.1，告诉模型在达到该坡度之前不要进行RUL预测。(当您事先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;

预测每个时间步骤的RUL

定义一个阈值条件指示器值，该值指示机器的寿命结束。RUL是测试机器的状态指示器达到此阈值之前的预测时间。

阈值= 400;

对于RUL预测，假设TestData开始时间t= 1小时，每小时提供一个新的数据样本。通常，您可以对每个新数据点预测一个新的RUL值。对于本例的退化模型，进行遍历TestData，并使用每个新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。方法预测一个新的RUL值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而且CI,分别。类似地，将模型参数存储在数组中ModelParameters．

N = height(TestData);EstRUL = hours(0 (N,1));CI =小时(零(N,2));ModelParameters = 0 (N,3);为t = 1:N currentdataset = TestData(t，:);update(mdl,CurrentDataSample) ModelParameters(t，:) = [mdl.]θmdl。βmdl。ρ];仅当数据表明斜率发生变化时才计算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，数值迅速变化。随着可用数据点的增加，它们趋于收敛。

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

绘制预测的RUL图，以观察随着更多退化数据的可用而发生的演变。在退化数据中检测到坡度之前，没有新的估计RUL值。在此之后，如预期的那样，预测的RUL随着时间的推移而减小。predictRUL计算RUL值的统计分布。随着时间的推移，预测RUL的置信范围变得越来越窄。

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RUL ')包含(“t”) ylabel (“估计原则”)({传奇“预测原则”，“信心绑定”，“信心绑定”，“斜坡检测瞬间”}）