predictRUL
估计剩余使用寿命测试组件
语法
描述
的predictRUL函数估计剩余使用寿命(原则)的测试组件给出一个估计模型和信息使用时间和退化。预测原则之前,您必须首先配置您的使用历史数据估计模型关于健康的一个类似的组件,如多台机器生产的同一规格。为此,使用适合函数。
使用predictRUL,你可以估计以下类型的剩余寿命评估模型:
退化模型
生存模型
相似模型
对于一个基本的示例说明原则预测,明白了更新原则预测数据的到来。
一般信息使用这些模型,预测剩余寿命荷重软化估计使用原则估计模型。
例子
使用成对相似性模型预测原则
负荷训练数据。
负载(“pairwiseTrainTables.mat”)
训练数据的单元阵列表。每个表为一个组件是一个退化特性概要文件。每个概要文件包含生活时间测量“时间”变量和相应的降解特性的测量“条件”变量。
创建一个成对相似性模型,计算距离使用动态时间扭曲绝对距离度量和使用小时作为时间单位。
mdl = pairwiseSimilarityModel (“方法”,“dtw”,“距离”,“绝对”,“LifeTimeUnit”,“小时”);
使用训练数据训练相似模型。指定寿命和数据变量的名字。
fit (mdl pairwiseTrainTables,“时间”,“条件”)
负载测试数据。测试数据包含的退化特性测量测试组件当前的生活时间。
负载(“pairwiseTestData.mat”)
预测测试组件使用训练的原则相似模型。
pairwiseTestData estRUL = predictRUL (mdl)
estRUL =持续时间93.671人力资源
组件的原则估计大约是94小时。
更新线性退化模型和预测原则
负载观测数据。
负载(“linTestData.mat”,“linTestData1”)
对于这个示例,假设训练数据不是历史数据,而是实时观察组件的状态。
基于知识的退化特性限制,定义一个阈值条件指标的值表示组件的临终。
阈值= 60;
创建一个线性退化模型任意先验分布数据和指定的噪声方差。同时,指定的生活时间和数据观测数据的变量名。
mdl = linearDegradationModel (“θ”,1“ThetaVariance”1 e6,“NoiseVariance”,0.003,…“LifeTimeVariable”,“时间”,“DataVariables”,“条件”,…“LifeTimeUnit”,“小时”);
观察组件条件50小时,每次观测后更新退化模型。
为我= 1:50更新(mdl linTestData1(我,:));结束
后50小时,预测组件的荷重软化使用当前生命时间价值存储在模型中。
estRUL = predictRUL (mdl阈值)
estRUL =持续时间50.301人力资源
估计荷重软化大约50个小时,这表明总预测寿命约100小时。
使用指数退化模型预测原则
负荷训练数据。
负载(“expTrainTables.mat”)
训练数据的单元阵列表。每个表为一个组件是一个退化特性概要文件。每个概要文件包含生活时间测量“小时”变量和相应的降解特性的测量“条件”变量。
创建一个指数退化模型,指定时间变量单位的生活。
mdl = exponentialDegradationModel (“LifeTimeUnit”,“小时”);
使用训练数据训练退化模型。指定寿命和数据变量的名字。
fit (mdl expTrainTables,“时间”,“条件”)
负载测试数据,这是一个run-to-failure退化剖面测试组件。测试数据是一个表相同的生活时间和数据变量作为训练数据。
负载(“expTestData.mat”)
基于知识的退化特性限制,定义一个阈值条件指标的值表示组件的临终。
阈值= 500;
假设您测量组件条件指标每小时150小时。每次测量更新训练有素的退化模型。然后,组件的剩余使用寿命预测在150小时。的原则是预测时间降解功能将通过指定的阈值。
为t = 1:15更新(mdl expTestData (t,:))结束estRUL = predictRUL (mdl阈值)
estRUL =持续时间136.45人力资源
估计原则137年小时,这表明总预测寿命287年个小时。
使用协变量生存模型预测原则
负荷训练数据。
负载(“covariateData.mat”)
这些数据包含电池的放电时间和相关的协变量信息。协变量的变量有:
温度
负载
制造商
制造商信息是类别变量,必须进行编码。
创建一个协变量生存模型,使用训练数据训练它。
mdl = covariateSurvivalModel (“LifeTimeVariable”,“DischargeTime”,“LifeTimeUnit”,“小时”,…“DataVariables”,(“温度”,“负载”,“制造商”),“EncodedVariables”,“制造商”);fit (mdl covariateData)
成功的融合:梯度小于OPTIONS.TolFun规范
假设您有一个电池生产制造商B运行了30.个小时。创建一个测试数据表包含使用时间,DischargeTime测量环境温度,TestAmbientTemperature,当前,TestBatteryLoad。
TestBatteryLoad = 25;TestAmbientTemperature = 60;DischargeTime =小时(30);TestData =时间表(TestAmbientTemperature TestBatteryLoad,“B”,“RowTimes”小时(30));TestData.Properties。VariableNames = {“温度”,“负载”,“制造商”};TestData.Properties。DimensionNames {1} =“DischargeTime”;
预测电池的原则。
TestData estRUL = predictRUL (mdl)
estRUL =持续时间38.332人力资源
情节的生存函数的协变量数据的电池。
情节(mdl TestData)
使用可靠性预测原则生存模型和视图的PDF
负荷训练数据。
负载(“reliabilityData.mat”)
这个数据是一个列向量持续时间对象代表电池放电时间。
创建一个可靠性生存模型,指定生命时间变量和时间单位。
mdl = reliabilitySurvivalModel (“LifeTimeVariable”,“DischargeTime”,“LifeTimeUnit”,“小时”);
使用训练数据训练生存模型。
fit (mdl reliabilityData)
预测新组件的寿命,得到估计的概率分布函数。
[estRUL, ciRUL pdfRUL] = predictRUL (mdl);
画出概率分布。
酒吧(pdfRUL.RUL pdfRUL.ProbabilityDensity)包含(的剩余使用寿命(小时)(40 [90]))xlim(小时)
改善分配视图容器通过提供箱子的数量和大小的预测。
[estRUL, ciRUL pdfRUL] = predictRUL (mdl,“BinSize”,0.5,“NumBins”,500);酒吧(pdfRUL.RUL pdfRUL.ProbabilityDensity)包含(的剩余使用寿命(小时)(40 [90]))xlim(小时)
预测的荷重软化组件,已经经营了50个小时。
[estRUL, ciRUL pdfRUL] = predictRUL (mdl,小时(50),“BinSize”,0.5,“NumBins”,500);酒吧(pdfRUL.RUL pdfRUL.ProbabilityDensity)包含(的剩余使用寿命(小时)40)xlim(小时([0]))
