RUL估计使用RUL估计模型

预测性维护工具箱™包括一些专门设计的模型，用于从不同类型的测量系统数据计算RUL。当你有历史数据和信息时，这些模型很有用，例如:

类似于要诊断的机器的运行失败历史
指示故障的某些条件指示器的已知阈值
关于类似机器达到失败的时间或多少用量的数据（寿命）

RUL估计模型提供了使用历史数据培训模型的方法，并使用它来执行剩余使用寿命的预测。术语一生这里指的是机器的寿命，以你用来衡量系统寿命的任何数量来定义。类似的时间演化可以意味着使用使用，距离，周期数或描述寿命的数量的值的演变。

使用RUL估计模型的一般工作流程是：

为您拥有的数据和系统知识选择最佳类型的RUL估算模型。创建和配置相应的模型对象。
使用您拥有的历史数据训练估计模型。为此，使用适合命令。
使用与历史数据相同类型的测试数据，估算测试组件的RUL。为此，使用redictrul.命令。您还可以递归地使用测试数据来更新一些模型类型，例如降级模型，以帮助保持预测的准确性。为此，使用更新命令。

有关说明这些步骤的基本示例，请参见随着数据到达，更新RUL预测．

选择一个RUL估计器

RUL估计模型有三大类。根据可用的数据和系统信息选择要使用的家族和模型，如下图所示。

相似模型

相似性模型基于历史数据库中相似机器的已知行为来预测测试机器的RUL。这些模型将测试数据或条件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。

相似性模型很有用：

您具有来自类似系统的失败数据（组件）。运行到故障数据是在健康操作期间开始的数据，并且当机器处于接近故障或维护时的状态时结束。
运行失败数据显示了类似的劣化行为。也就是说，随着系统降低，数据变化了一些特征方式。

因此，您可以在获得时使用相似性模型劣化型材从您的数据集合。劣化简档代表了集合（每个组件）中每台机器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错误状态。

预测维护工具箱包括三种类型的相似性模型。所有三种类型通过确定测试数据集的劣化历史与集合中的数据集的劣化历史之间的相似性来估计RUL。对于相似模型，redictrul.估计测试组件的RUL作为大多数相似组件的中值寿命减去测试组件的当前寿命值。这三种模型在定义和量化相似度概念的方式中不同。

散列特征相似度模型(hashSimilarityModel） - 此模型将来自集合的每个成员的历史退化数据转换为固定大小，浓缩，诸如平均值，总功率，最大值或最小值或其他数量等。
当你打电话适合在一个hashSimilarityModel对象，软件计算这些哈希特色然后存储在相似度模型中。当你打电话redictrul.使用来自测试组件的数据，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。
散列特征相似度模型在有大量退化数据时非常有用，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。如果您已经在您的数据中确定了良好状态指标，您可以使用方法财产的财产hashSimilarityModel对象指定要使用这些特性的哈希函数。
成对相似性模型（pairwiseSimilarityModel） - 通过找到与测试组件的历史降级路径最相关的组件来确定RUL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.）或提供您提供的自定义度量标准。通过随着时间的推移而变化时，通过改变劣化简档，成对相似度估计可以提供比哈希相似性模型更好的结果。
残余相似性模型（residualSimilarityModel) -基于残差的估计使先前的数据适合于模型，如ARMA模型或使用时间为线性或指数的模型。然后，它计算从集成模型预测的数据和从测试组件的数据之间的残差。您可以将残差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。当您的系统知识包含退化模型的表单时，剩余相似度方法是有用的。

有关使用RUL估计的相似性模型的示例，请参阅基于相似性的剩余使用寿命估算．

退化模型

退化模型推断过去行为以预测未来的情况。考虑到合奏中的劣化配置文件，这种类型的RUL计算适用于条件指示器的劣化配置文件的线性或指数模型。然后，它使用测试组件的劣化配置文件统计计算剩余时间，直到指示器达到一些规定的阈值。当条件指示器的已知值表示故障时，这些模型最有用。两种可用的退化模型类型是：

线性降解模型（linearDegradationModel） - 描述具有偏移项的线性随机过程的劣化行为。当您的系统不经历累积降级时，线性降解模型很有用。
指数劣化模型（exponentialDegradationModel-描述退化行为为一个带有偏移项的指数随机过程。当测试组件经历累积退化时，指数退化模型是有用的。

创建劣化模型对象后，使用关于类似组件的合奏的健康的历史数据初始化模型，例如以相同规格制造的多台机器。这样做，使用适合．然后可以预测使用的类似组件的剩余使用寿命redictrul.．

退化模型只适用于单个条件指示器。但是，您可以使用主成分分析或其他融合技术来生成融合状态指示器，该指示器包含来自多个状态指示器的信息。无论使用单一指标还是融合指标，都要寻找显示明显增加或减少趋势的指标，以便建模和推断是可靠的。

有关采用此方法的示例并使用劣化模型估算RUL，请参阅风力涡轮机高速承载预后．

生存模型

生存分析是用于模型到事件数据的统计方法。当您没有完整的运行失败历史时，它是有用的，但它有：

只有关于类似组件的寿命的数据。例如，您可能会在需要维护之前，您可以知道组合中的每个引擎数有多少英里，或者在失败之前，每台机器运行多少小时的操作。在这种情况下，您使用reliabilitySurvivalModel．鉴于有关类似组件的舰队失败时的历史信息，该模型估计失败时的概率分布。分布用于估计测试组件的rul。
寿命和一些其他变量数据（协变量）与rul相关联。协变量，也称为环境变量或者解释变量，包含诸如组件供应商、组件使用的制度或生产批次等信息。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一个试验部件的生存概率。

另请参阅