通常,您通过开发可以基于条件指示符值的时间演变或统计特性来执行可以执行估计的模型来估计系统的剩余使用寿命(RUL)。这种模型的预测是具有相关不确定性的统计估计。它们提供了试验机RUL的概率分布。
您使用的模型可以是动态模型,例如使用系统识别工具箱™命令获得的模型。预测维护工具箱™还包括一些专门用于计算RUL的专门型号,用于从不同类型的测量系统数据计算。有关您可以使用的模型类型的概述,请参阅剩余使用寿命预测模型.
在确定有希望的条件指标之后,开发一个用于RUL预测的模型是算法设计过程的下一步。因为您开发的模型使用条件指示器值的时间演变来预测RUL,所以这一步通常与识别条件指示器的步骤重复。
您可以使用递归模型、已识别模型或状态估计器来预测剩余的有用寿命(RUL)。还有专门为从系统数据计算RUL而设计的模型。
Rank特性可以确定系统退化的最佳指标,并提高剩余使用寿命(RUL)预测的准确性。
此示例显示了如何将数据从劣化系统分成帧,执行基于帧的处理和特征提取,并在诊断特征设计器中使用预后排名。
当来自测试机器的数据到达时,您可以使用每个新的数据点更新RUL预测。
通过预处理、选择趋势特征、通过传感器融合构建健康指标、训练相似RUL估计器和验证预后,构建完整的剩余可用寿命(RUL)估计算法。
建立指数退化模型,实时预测风力机轴承剩余使用寿命。指数退化模型基于其参数先验和最新的测量结果来预测RUL。
使用Simulink中的Unscented Kalman滤波器估计非线性系统的状态。金宝app
从滚珠轴承的振动信号提取特征,进行健康监测,并执行预后。
使用有监督的机器学习算法预测快速充电锂离子电池的剩余循环寿命。
这个例子展示了如何使用深度卷积神经网络(CNN)预测引擎的RUL。