exponentialDegradationModel.

估计剩余使用寿命的指数劣化模型

展开所有页面

描述

用exponentialDegradationModel.模拟指数劣化过程，用于估计组件的剩余使用寿命（RUL）。劣化模型通过预测监控信号将跨越预定阈值来估计RUL。当组件经历累积劣化时，指数劣化模型很有用。有关劣化模型的更多信息，请参阅指数劣化模型。

配置A.exponentialDegradationModel.特定类型的组件对象，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，使用合身。
根据您的组件劣化过程创建模型时，请指定模型参数。

一旦配置了劣化模型的参数，就可以预测使用的剩余功能redictrul.。对于用劣化模型说明RUL预测的基本示例，请参阅随着数据到达，更新RUL预测。

有关预测剩余使用寿命的一般信息，请参阅预测剩余使用寿命的模型。

创建

句法

mdl = exponentialDegradationModel.

MDL = exponentialDegradationModel（名称，值）

描述

例子

MDL.= exponentialDegradationModel.创建指数劣化模型，用于估计RUL并使用默认设置初始化模型。

例子

MDL.= exponentialDegradationModel（名称，价值）使用名称值对指定用户可设置的模型属性。例如，exponentialDegradationModel（'noisevariance'，0.5）创建具有模型噪声方差的指数劣化模型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

展开全部

`θ.`-目前的平均值θ.范围
标量子

此属性是只读的。

目前的平均值θ.劣化模型中的参数，指定为标量。有关劣化模型的更多信息，请参阅指数劣化模型。

您可以指定θ.当您使用时使用名称值对参数：

创建模型。
使用该模型重置模型重新开始功能。

否则，价值θ.使用时更改更新功能。

`截止路程`-当前的变化θ.范围
非负标量

此属性是只读的。

当前的变化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，请参阅指数劣化模型。

您可以指定截止路程当您使用时使用名称值对参数：

创建模型。
使用该模型重置模型重新开始功能。

否则，价值截止路程使用时更改更新功能。

`bet`-目前的平均值β范围
标量子

此属性是只读的。

目前的平均值β劣化模型中的参数，指定为标量。有关劣化模型的更多信息，请参阅指数劣化模型。

您可以指定bet当您使用时使用名称值对参数：

创建模型。
使用该模型重置模型重新开始功能。

否则，价值bet使用时更改更新功能。

`贝拉瓦西`-当前的变化β范围
非负标量

此属性是只读的。

当前的变化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，请参阅指数劣化模型。

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。
使用该模型重置模型重新开始功能。

否则，价值贝拉瓦西使用时更改更新功能。

`rho.`-当前的相关性θ.和β
`0.`（默认）|范围中的标量值[-1,1]

此属性是只读的。

当前的相关性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，请参阅指数劣化模型。

您可以指定rho.当您使用时使用名称值对参数：

创建模型。
使用该模型重置模型重新开始功能。

否则，价值rho.使用时更改更新功能。

`披`-当前拦截值
标量子

当前拦截值φ.在劣化模型中，指定为标量。有关劣化模型的更多信息，请参阅指数劣化模型。

您可以指定披创建模型时，使用名称值对参数。否则，价值披在使用之前估计模型时的变化合身功能。

`事先的`-有关模型参数的先前信息
结构体

有关模型参数的先前信息，指定为具有以下字段的结构：

θ.- 平均值θ.
截止路程- 方差θ.
bet- 平均值β
贝拉瓦西- 方差β
rho.- 与之间的相关性θ.和β。

您可以指定字段事先的：

创建模型时。当您指定时θ.那截止路程那bet那贝拉瓦西，或者rho.在使用名称 - 值对的模型创建时，相应的字段事先的也设置了。
使用合身功能。在这种情况下，先前的值来自用于拟合模型的数据。
使用重新开始功能。在这种情况下，当前值θ.那截止路程那bet那贝拉瓦西，和rho.被复制到相应的字段事先的。
模型创建后使用点表示法。

有关劣化模型的更多信息，请参阅指数劣化模型。

`noisavariance.`-添加剂噪声的变化
`1`（默认）|非负标量

添加剂噪声的变化ε.在降级模型中，指定为非负标量。有关劣化模型的更多信息，请参阅指数劣化模型。

您可以指定noisavariance.：

使用名称值对创建模型时
使用名称值对重新开始功能
模型创建后使用点表示法

`SlopedetectionLevel.`-斜率检测水平
`0.05`（默认）|范围内的标量值[0,1]|`[]`

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。

禁用斜率检测测试，设置SlopedetectionLevel.至[]。

您可以指定SlopedetectionLevel.：

使用名称值对创建模型时
使用名称值对重新开始功能
模型创建后使用点表示法

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

此属性是只读的。

斜率检测时间，即检测到显着斜率的瞬间，指定为标量。这更新函数设置此值SlopedetectionLevel.不是空的。

`当前级测量`-最新劣化特征值
标量子

此属性是只读的。

提供给的最新劣化特征值更新函数，指定为标量。

`initiallifeTimevalue.`-初始寿命变量值
标量子|`期间`目的

此属性是只读的。

初始寿命变量值更新函数首先在模型上调用，指定为标量。

当模型检测到斜率时，itionallifetime.值更改以匹配SlopedetectionInstant.价值。

`currentlifetimevalue.`-当前终身变量值
标量子|`期间`目的

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。

`寿命值`-终身变量
`“`（默认）|细绳

生命周期变量，指定为包含有效MATLAB的字符串^®变量名称或“。

当您使用该模型训练模型合身功能，如果您的培训数据是：

桌子，然后寿命值必须匹配表中的变量名称
时间表，然后寿命值表中的变量名称或时间变量的维度名称之一，data.properties.dimensionnames {1}

您可以指定寿命值：

使用名称值对创建模型时
作为争吵时的论点合身功能
模型创建后使用点表示法

`寿命寿命`-终身变量单位
`“`（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.`-劣化变量名称
`“`（默认）|细绳

degradation变量名称，指定为包含有效MATLAB变量名称的字符串。劣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
作为争吵时的论点合身功能
模型创建后使用点表示法

`使用指α.`-用于使用并行计算的标志
`错误的`（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，指定为真的或者错误的。

您可以指定使用指α.：

使用名称值对创建模型时
使用名称值对重新开始功能
模型创建后使用点表示法

`用户数据`-其他模型信息
`[]`（默认）|任何数据类型或格式

用于簿记目的的其他模型信息，指定为任何数据类型或格式。该模型不使用此信息。

您可以指定用户数据：

使用名称值对创建模型时
模型创建后使用点表示法

对象功能

`合身`	使用历史数据估算剩余使用寿命模型的参数
`redictrul.`	估计测试组件的剩余使用寿命
`更新`	更新后参数分布降解剩余的使用寿命模型
`重新开始`	重置剩余的使用寿命劣化模型

例子

全部收缩

火车指数劣化模型

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格数组。每个列向量是组件的劣化特征配置文件。

使用默认设置创建指数劣化模型。

MDL = exponentialDegradationModel;

使用培训数据列出劣化模型。

适合（MDL，ExptrainVectors）

用已知的前沿创建指数劣化模型

打开直播脚本

创建指数劣化模型，并使用已知的先前分发配置。

mdl = exponentialDegradationModel（'theta'，0.5，'θthetavariance'，0.003，......'beta'，0.3，'etavariance'，0.002，......'rho'，0.1）;

指定的先前分发参数存储在其中事先的模型的财产。

mdl.prior.

ans =.结构与字段：Theta：0.5000θThetavariance：0.0030 beta：0.3000贝拉瓦劳动：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.

使用表格数据列车指数劣化模型

打开直播脚本

加载培训数据。

加载（'Exptraintables.mat'）

培训数据是表的小区数组。每个表是组件的劣化功能配置文件。每个档案包括生命时间测量“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劣化模型。

MDL = exponentialDegradationModel;

使用培训数据列出劣化模型。指定生命周期和数据变量的名称。

适合（MDL，Exptraintables，“时间”那“状况”）

使用指数劣化模型预测rul

打开直播脚本

加载培训数据。

加载（'Exptraintables.mat'）

培训数据是表的小区数组。每个表是组件的劣化功能配置文件。每个档案包括生命时间测量“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 = exponentialDegradationModel（'lifetimeunit'那“小时”）;

使用培训数据列出劣化模型。指定生命周期和数据变量的名称。

适合（MDL，Exptraintables，“时间”那“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'）

基于对劣化特征限制的知识，定义指示组件的寿命结束的阈值条件指示符值。

阈值= 500;

假设您每小时测量组件条件指示灯150小时。使用每次测量更新培训的劣化模型。然后，在150小时内预测组分的剩余使用寿命。RUL是劣化功能将通过指定阈值的预测时间。

为了t = 1：150更新（MDL，EXPTESTDATA（T，:)）结尾Estrul = predictrul（MDL，阈值）

Estrul =.期间136.63小时

估计的rul是周围的137.几小时，表示总预测的寿命287.小时。

更新指数劣化模型并预测rul

打开直播脚本

加载观察数据。

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。

基于对劣化特征限制的知识，定义指示组件的寿命结束的阈值条件指示符值。

阈值= 500;

创建指数劣化模型任意先前分发数据和指定的噪声方差。此外，指定观察数据的寿命和数据变量名称。

mdl = exponentialDegradationModel（'theta'，1，'θthetavariance'，1E6，......'beta'，1，'etavariance'，1E6，......'noisevariance'，0.003，......'Lifetimevariable'那“时间”那'datavariables'那“状况”那......'lifetimeunit'那“小时”）;

观察组件条件100.小时，在每次观察后更新劣化模型。

为了i = 1：100更新（MDL，EXPTESTDATA（I，:)）;结尾

后100.几小时，使用存储在模型中的当前寿命时间值来预测组件的rul。此外，获得与估计的RUL相关的置信区间。

Estrul = predictrul（MDL，阈值）

Estrul =.期间221.38小时

估计的rul是关于234.几小时，表示总预测的寿命334.小时。

算法

展开全部

指数劣化模型

这exponentialDegradationModel.对象实现以下连续时间指数劣化模型[1]：

$S. （ T. ） = φ. + θ. （ T. ） {E.}^{（ β （ T. ） T. + ε. （ T. ） - \frac{{σ.}^{2}}{2} ）}$

在哪里：

φ.是模型拦截，这是恒定的。您可以初始化φ.作为劣化变量的可行区域的下限或上限披。如果是标志θ.是：
- 积极，然后φ.是一个下限。
- 负，然后φ.是一个上限。
θ.（T.）是一种随机变量，其模型为具有平均值的Lognormal分布θ.和方差截止路程。
β（T.）是一种随机变量，被建模为具有平均值的高斯分布bet和方差贝拉瓦西。
ε.（T.）是模型添加剂噪声，并以零均值和方差为模型。noisavariance.。
σ.²等于noisavariance.。

参考

[1] Gebreaeel，Nagi。“具有指数劣化模式的组件的感觉更新的残余生命分布。”IEEE自动化科学与工程交易。卷。3，第4,2006，第382-393页。

扩展能力

自动并行支持金宝app
通过使用并行计算工具箱™并行运行计算来加速代码。

要并行评估这些模型，请设置使用指α.财产真的。

也可以看看

职能

合身|lineardegradationmodel.|redictrul.|更新

话题

在R2018A介绍

exponentialDegradationModel.

描述

创建

句法

描述

特性

θ.-目前的平均值θ.范围标量子

截止路程-当前的变化θ.范围非负标量

bet-目前的平均值β范围标量子

贝拉瓦西-当前的变化β范围非负标量

rho.-当前的相关性θ.和β0.（默认）|范围中的标量值[-1,1]

披-当前拦截值标量子

事先的-有关模型参数的先前信息结构体

noisavariance.-添加剂噪声的变化1（默认）|非负标量

SlopedetectionLevel.-斜率检测水平0.05（默认）|范围内的标量值[0,1]|[]

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

当前级测量-最新劣化特征值标量子

initiallifeTimevalue.-初始寿命变量值标量子|期间目的

currentlifetimevalue.-当前终身变量值标量子|期间目的

寿命值-终身变量“（默认）|细绳

寿命寿命-终身变量单位“（默认）|细绳

datavariables.-劣化变量名称“（默认）|细绳

使用指α.-用于使用并行计算的标志错误的（默认）|真的

用户数据-其他模型信息[]（默认）|任何数据类型或格式

对象功能

例子

火车指数劣化模型

用已知的前沿创建指数劣化模型

使用表格数据列车指数劣化模型

使用指数劣化模型预测rul

更新指数劣化模型并预测rul

算法

指数劣化模型

参考

扩展能力

自动并行支持金宝app通过使用并行计算工具箱™并行运行计算来加速代码。

也可以看看

职能

话题

预测维护工具箱文档

金宝app

用Matlab预测维护

`θ.`-目前的平均值θ.范围
标量子

`截止路程`-当前的变化θ.范围
非负标量

`bet`-目前的平均值β范围
标量子

`贝拉瓦西`-当前的变化β范围
非负标量

`rho.`-当前的相关性θ.和β
`0.`（默认）|范围中的标量值[-1,1]

`披`-当前拦截值
标量子

`事先的`-有关模型参数的先前信息
结构体

`noisavariance.`-添加剂噪声的变化
`1`（默认）|非负标量

`SlopedetectionLevel.`-斜率检测水平
`0.05`（默认）|范围内的标量值[0,1]|`[]`

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

`当前级测量`-最新劣化特征值
标量子

`initiallifeTimevalue.`-初始寿命变量值
标量子|`期间`目的

`currentlifetimevalue.`-当前终身变量值
标量子|`期间`目的

`寿命值`-终身变量
`“`（默认）|细绳

`寿命寿命`-终身变量单位
`“`（默认）|细绳

`datavariables.`-劣化变量名称
`“`（默认）|细绳

`使用指α.`-用于使用并行计算的标志
`错误的`（默认）|`真的`

`用户数据`-其他模型信息
`[]`（默认）|任何数据类型或格式

自动并行支持金宝app
通过使用并行计算工具箱™并行运行计算来加速代码。