指数退化模型

估计剩余使用寿命的指数退化模型

展开所有页面

描述

使用指数退化模型为估算部件剩余使用寿命（RUL）的指数退化过程建模。降级模型通过预测监测信号何时将超过预定义阈值来估计RUL。当组件经历累积退化时，指数退化模型非常有用。有关降级模型的详细信息，请参见指数退化模型.

配置指数退化模型对象对于特定类型的组件，您可以：

使用关于类似组件的整体健康的历史数据来估算模型参数，例如制造与相同规格的多个机器。这样做，使用适合.
根据您的组件劣化过程创建模型时，请指定模型参数。

一旦配置了降级模型的参数，就可以预测使用类似组件的剩余有用寿命predictRUL.对于用劣化模型说明RUL预测的基本示例，请参阅当数据到达时更新RUL预测.

有关预测剩余使用寿命的一般信息，请参见剩余使用寿命预测模型.

创建

语法

mdl=指数退化模型

mdl=指数退化模型（名称、值）

描述

例子

MDL.=指数退化模型创建用于估算RUL的指数退化模型，并使用默认设置初始化模型。

例子

MDL.= exponentialDegradationModel (名称、值)使用名称-值对指定用户可设置的模型属性。例如exponentialDegradationModel（'noisevariance'，0.5）建立一个指数退化模型，模型噪声方差为0.5.您可以指定多个名称值对。将每个属性名称括在引号中。

特性

全部展开

`θ.`—目前的平均值θ参数
标量子

此属性是只读的。

目前的平均值θ降级模型中的参数，指定为标量。有关降级模型的详细信息，请参见指数退化模型.

您可以指定θ.当您使用时使用名称值对参数：

创建模型。
属性重置模型重新启动函数。

否则，价值θ.使用时更改更新函数。

`ThetaVariance`—当前方差θ参数
非负标量

此属性是只读的。

当前方差θ劣化模型中的参数，指定为非负标量。有关劣化模型的更多信息，请参阅指数退化模型.

您可以指定ThetaVariance当您使用时使用名称值对参数：

创建模型。
属性重置模型重新启动函数。

否则，价值ThetaVariance使用时更改更新函数。

`bet`—目前的平均值β参数
标量子

此属性是只读的。

目前的平均值β降级模型中的参数，指定为标量。有关降级模型的详细信息，请参见指数退化模型.

您可以指定bet当您使用时使用名称值对参数：

创建模型。
属性重置模型重新启动函数。

否则，价值bet使用时更改更新函数。

`贝拉瓦西`—当前方差β参数
非负标量

此属性是只读的。

当前方差β劣化模型中的参数，指定为非负标量。有关劣化模型的更多信息，请参阅指数退化模型.

您可以指定贝拉瓦西当您使用时使用名称值对参数：

创建模型。
属性重置模型重新启动函数。

否则，价值贝拉瓦西使用时更改更新函数。

`Rho`—电流之间的相关性θ和β
`0`（默认）|[-1,1]范围内的标量值

此属性是只读的。

电流之间的相关性θ和β，指定为范围[-1,1]的标量值。有关劣化模型的更多信息，请参阅指数退化模型.

您可以指定Rho当您使用时使用名称值对参数：

创建模型。
属性重置模型重新启动函数。

否则，价值Rho使用时更改更新函数。

`Phi`—当前截距值
标量子

当前截距值ϕ在劣化模型中，指定为标量。有关劣化模型的更多信息，请参阅指数退化模型.

您可以指定Phi创建模型时，使用名称值对参数。否则，价值Phi更改时，您估计模型之前使用适合函数。

`事先的`—关于模型参数的先验信息
结构体

有关模型参数的先验信息，指定为具有以下字段的结构：

θ.-的平均值θ
ThetaVariance——方差θ
bet-的平均值β
贝拉瓦西——方差β
Rho——之间的相关性θ和β.

可以指定的字段事先的:

当您创建模型时。当你指定θ.,ThetaVariance,bet,贝拉瓦西，要么Rho在使用名称-值对创建模型时，对应的字段事先的也设置了。
使用适合函数。在这种情况下，先前的值是从用于拟合模型的数据中得到的。
使用重新启动函数。在本例中，的当前值θ.,ThetaVariance,bet,贝拉瓦西，和Rho被复制到相应的字段事先的.
创建模型后使用点表示法。

有关劣化模型的更多信息，请参阅指数退化模型.

`noisavariance.`—加性噪声方差
`1.`（默认）|非负标量

加性噪声方差ε在退化模型中，指定为非负标量。有关降级模型的详细信息，请参见指数退化模型.

您可以指定noisavariance.:

使用名称值对创建模型时
使用名称值对重新启动功能
在模型创建后使用点符号

`倾斜检测水平`—斜率检测水平
`0.05`（默认）|[0,1]范围内的标量值|`［］`

斜率检测级别用于确定劣化过程的开始，指定为范围的标量[0,1]。该值对应于斜率意义的T检验中的alpha值。

要禁用坡度检测测试，请设置倾斜检测水平到［］.

您可以指定倾斜检测水平:

使用名称值对创建模型时
使用名称值对重新启动功能
在模型创建后使用点符号

`SlopedetectionInstant.`—斜率检测时间
`［］`（默认）|标量子

此属性是只读的。

坡度检测时间，即检测到显著坡度的时刻，指定为标量。这个更新函数在时设置此值倾斜检测水平不是空的。

`CurrentMeasurement`—最新退化特征值
标量子

此属性是只读的。

最新的退化特征值提供给更新函数，指定为标量。

`initiallifeTimevalue.`—初始寿命变量值
标量子|`期间`对象

此属性是只读的。

当更新函数首先在指定为标量的模型上调用。

当模型检测到斜率时，InitialLifeTime值更改为匹配SlopedetectionInstant.价值。

`CurrentLifeTime值`—电流寿命可变值
标量子|`期间`对象

此属性是只读的。

提供给的最新终身变量值更新函数，指定为标量。

`LifeTimeVariable`—寿命变量
`""`（默认）|细绳

生命周期变量，指定为包含有效MATLAB的字符串^®变量名或"".

当您使用该模型训练模型适合功能，如果您的培训数据是：

桌子那么LifeTimeVariable必须匹配表中的一个变量名
时间表那么LifeTimeVariable表中的变量名称或时间变量的维度名称之一，data.Properties.DimensionNames {1}

您可以指定LifeTimeVariable:

使用名称值对创建模型时
当你调用适合功能
在模型创建后使用点符号

`LifeTimeUnit`—一生变量单位
`""`（默认）|细绳

生命周期可变单元，指定为字符串。

终身变量的单位不需要时间为基础。测试组件的寿命可以根据使用变量来测量，例如行驶（英里）或消耗的燃料（加仑）。

`DataVariables`—退化变量名
`""`（默认）|细绳

降级变量名，指定为包含有效MATLAB变量名的字符串。退化模型只有一个数据变量。

您可以指定DataVariables:

使用名称值对创建模型时
当你调用适合功能
在模型创建后使用点符号

`使用并行`—使用并行计算的标志
`假的`（默认）|`真的`

使用并行计算在拟合来自数据的先前值时使用并行计算的标志，指定为真的要么假的.

您可以指定使用并行:

使用名称值对创建模型时
使用名称值对重新启动功能
在模型创建后使用点符号

`用户数据`—额外的模型信息
`［］`（默认）|任何数据类型或格式

用于记账目的的附加模型信息，指定为任何数据类型或格式。模型不使用此信息。

您可以指定用户数据:

使用名称值对创建模型时
在模型创建后使用点符号

目标函数

`适合`	利用历史数据估计剩余使用寿命模型参数
`predictRUL`	估计测试组件的剩余使用寿命
`更新`	更新退化剩余寿命模型的后验参数分布
`重新启动`	重置剩余的使用寿命劣化模型

例子

全部崩溃

训练指数退化模型

打开直播脚本

加载培训数据。

加载（“expTrainVectors.mat”)

训练数据是列向量的单元数组。每个列向量都是组件的退化特征配置文件。

使用默认设置创建指数衰减模型。

mdl=指数退化模型；

使用训练数据训练退化模型。

拟合（mdl、expTrainVectors）

创建具有已知优先级的指数退化模型

打开直播脚本

创建指数退化模型，并使用已知的先验分布对其进行配置。

mdl=指数退化模型(“西塔”，0.5，“ThetaVariance”，0.003，......'beta'，0.3，“BetaVariance”，0.002，......“Rho”,0.1);

指定的先验分布参数存储在事先的模型的财产。

mdl.优先

ans=带字段的结构：Theta: 0.5000 ThetaVariance: 0.0030 Beta: 0.3000 BetaVariance: 0.0020 Rho: 0.1000

模型的当前后部分布也设置为匹配指定的先前分配。例如，检查相关参数的后部值。

mdl。Rho

ans = 0.1000.

基于表格数据的训练指数退化模型

打开直播脚本

加载培训数据。

加载（“expTrainTables.mat”)

训练数据是表的单元格数组。每个表都是一个部件的退化特征配置文件。每个配置文件都包含以下内容中的寿命测量值：“时间”可变和相应的劣化特征测量“状况”多变的。

使用默认设置创建指数衰减模型。

mdl=指数退化模型；

使用训练数据训练退化模型。指定生命周期和数据变量的名称。

装配（mdl、expTrainTables、，“时间”,“状况”)

使用指数退化模型预测RUL

打开直播脚本

加载培训数据。

加载（“expTrainTables.mat”)

训练数据是表的单元格数组。每个表都是一个部件的退化特征配置文件。每个配置文件都包含以下内容中的寿命测量值：“小时”可变和相应的劣化特征测量“状况”多变的。

创建指数劣化模型，指定生命周期变量单位。

mdl=指数退化模型(“LifeTimeUnit”,“小时”);

使用训练数据训练退化模型。指定生命周期和数据变量的名称。

装配（mdl、expTrainTables、，“时间”,“状况”)

负载测试数据，这是测试组件的失败劣化配置文件。测试数据是具有与训练数据相同的生命周期和数据变量的表。

加载（'exptestdata.mat')

基于退化特性限制的知识，定义一个阈值条件指示器，指示组件的寿命结束。

阈值= 500;

假设您每小时测量一次组件状态指示器，持续150小时。用每个测量值更新训练过的退化模型。然后，预测组件在150小时的剩余使用寿命。RUL是退化特性将通过指定阈值的预测时间。

对于t = 1:150 update(mdl,expTestData(t，:)))结束estRUL=predictRUL（mdl，阈值）

estRUL =期间136.63小时

估计的rul是周围的137.小时，表示的总预测寿命为287.小时。

更新指数劣化模型并预测rul

打开直播脚本

负荷观测数据。

加载（'exptestdata.mat')

对于此示例，假设培训数据不是历史数据，而是对组件条件的实时观察。

基于退化特性限制的知识，定义一个阈值条件指示器，指示组件的寿命结束。

阈值= 500;

建立一个指数退化模型，任意先验分布数据和指定的噪声方差。另外，指定观察数据的生存时间和数据变量名称。

mdl=指数退化模型(“西塔”, 1“ThetaVariance”，1e6，......'beta', 1“BetaVariance”，1e6，......“NoiseVariance”，0.003，......“LifeTimeVariable”,“时间”,“数据变量”,“状况”,......“LifeTimeUnit”,“小时”);

观察部件状态100.小时，每次观察后更新降解模型。

对于i=1:100更新（mdl，expTestData（i，：）；结束

后100.小时，使用存储在模型中的当前寿命值预测部件的RUL。此外，获得与估计RUL相关的置信区间。

estRUL=predictRUL（mdl，阈值）

estRUL =期间221.38小时

估计的RUL大约是234.小时，表示的总预测寿命为334.小时。

算法

全部展开