主要内容

剩余相似模型

基于残差比较的剩余使用寿命估算相似模型

全部展开页面

描述

使用剩余相似模型估算剩余使用寿命（RUL）使用基于残差比较的相似性模型对组件进行优化。当您拥有类似组件集合的降级配置文件时，此模型非常有用，例如，按照相同规格制造的多台机器，并且您知道降级过程的动态。数据集合中每个成员的历史数据都适用d具有相同结构的模型。测试组件的退化数据用于计算每个集合模型的一步预测误差或残差。这些误差的大小表明测试组件与相应集合成员的相似程度。

配置一个剩余相似模型对象,使用适合，它训练并存储每个数据集成成员的降级模型。一旦您配置了相似模型的参数，您就可以预测使用相似组件的剩余有用寿命predictRUL．对于相似模型，测试组件的RUL被估计为最相似组件的寿命跨度的中位数统计量减去测试组件的当前寿命值。有关说明RUL预测的基本示例，请参见当数据到达时更新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=剩余相似模型
mdl=剩余相似模型（初始模型）
mdl = residualSimilarityModel (___、名称、值)

描述

例子

mdl= residualSimilarityModel创建用于估算RUL的基于残差比较的相似性模型，并使用默认设置初始化该模型。

mdl=剩余相似模型(初始模型)创建基于残差比较的相似度模型，并使用现有模型初始化模型参数剩余相似模型对象初始模型．

例子

mdl=剩余相似模型(___,名称、值)使用名称-值对指定用户可设置的模型属性。例如，hashSimilarityModel(“LifeTimeUnit”,“天”)创建基于剩余比较的相似性模型，使用天数作为生命周期单位。可以指定多个名称-值对。将每个属性名用引号括起来。

输入参数

全部展开

基于残差比较的相似性模型，指定为剩余相似模型对象。

属性

全部展开

类型的模型训练使用适合函数，用于剩余生成，具体如下：

  • “线性”-带抵销项的行

  • “poly2”-二阶多项式

  • “poly3”——三阶多项式

  • “exp1”-指数与偏移项

  • “exp2”-两个指数之和

  • “arma2”-二阶ARMA模型

  • “arma3”-三阶ARMA模型

  • “arima2”-带噪声积分的二阶ARMA模型

  • “arima3”-带噪声积分的三阶ARMA模型

根据您对组件退化过程动力学的了解，选择模型类型。

您可以指定方法:

  • 在创建模型时使用名称-值对

  • 在模型创建后使用点符号

有关估计ARMA和多项式模型的更多信息，请参见armax和拟合分别地

距离计算方法，指定为以下方式之一:

  • “欧几里得”—使用残差信号的2范数。

  • “绝对的”—使用残差信号的1范数。

  • 函数句柄-使用表单的自定义函数：

    D = distanceFunction(右)

    哪里

    • R为残差，指定为列向量。

    • D为距离，返回为非负标量。

您可以指定距离:

  • 在创建模型时使用名称-值对

  • 在模型创建后使用点符号

此属性是只读的。

为训练数据集合的每个成员拟合模型的参数，指定为单元阵列并由适合功能。功能的内容模型取决于用于回归的模型类型，如方法．

方法 模型结构 模型单元格内容
“线性” A.T+B

行向量-[A.B]
“poly2” A.T2.+BT+C

行向量-[A.BC]
“poly3” A.T3.+BT2.+CT+D

行向量-[A.BCD]
“exp1” A.EBT+C

行向量-[A.BC]
“exp2” A.EBT+CEDT

行向量-[A.BCD]
“arma2”

二阶自回归滑动平均模型:

A. ( Q ) s ( T ) = C ( Q ) E ( T )

在哪里

  • A(Q) = [1A.1.Q-1A.2.Q-2]

  • C(Q) = [1C1.Q-1]

  • S (T)为退化特性

带字段的结构：

  • A.-行向量[1A.1.A.2.]

  • C-行向量[1C1.]
“arma3” 类似于“arma2”,但A(Q三阶,C(Q)二阶

带字段的结构：

  • A.-行向量[1A.1.A.2.A.2.]

  • C-行向量[1C1.C2.]
“arima2”

类似于“arma2”，但附加一个噪声积分器:

A. ( Q ) s ( T ) = C ( Q ) 1. − Q − 1. E ( T )

带字段的结构：

  • A.-行向量[1A.1.A.2.]

  • C-行向量[1C1.]
“arima3” 类似于“arma3”，但带有一个附加的噪声积分器

带字段的结构：

  • A.-行向量[1A.1.A.2.A.2.]

  • C-行向量[1C1.C2.]

有关估计ARMA和多项式模型的更多信息，请参见armax和拟合分别地

此属性是只读的。

中每个模型的估计均方误差模型，指定为向量并由适合功能。

此属性是只读的。

集合成员寿命，指定为双向量或期间对象向量，并由适合功能。

RUL估计的最近邻数，指定为正或者一个有限正整数。如果NumNearestNeighbors是正那么predictRUL在估计期间使用所有集合成员。

您可以指定NumNearestNeighbors:

  • 在创建模型时使用名称-值对

  • 在模型创建后使用点符号

包括系带的标志，指定为真正的或假的什么时候包括是真正的，该模型包括与测试组件数据的距离小于K最小距离，其中K等于NumNearestNeigbors．

您可以指定包括:

  • 在创建模型时使用名称-值对

  • 在模型创建后使用点符号

在计算距离前标准化残差的标志，指定为真正的或假的．

当标准化是真正的，残差是由估计的均方误差的平方根反比成比例的模型．

您可以指定标准化:

  • 在创建模型时使用名称-值对

  • 在模型创建后使用点符号

生命周期变量，指定为包含有效MATLAB的字符串®变量名或""．

当你用适合函数，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表中的一个变量名或时间变量的维度名，data.Properties.DimensionNames {1}

您可以指定LifeTimeVariable:

  • 在创建模型时使用名称-值对

  • 当你调用适合功能

  • 在模型创建后使用点符号

生命周期变量单位，指定为字符串。

生命周期变量的单位不需要基于时间。测试组件的寿命可以用使用变量来衡量，例如行驶的距离(英里)或消耗的燃料(加仑)。

降级变量名，指定为字符串或字符串数组。的字符串DataVariables必须是有效的MATLAB变量名。

您可以指定DataVariables:

  • 在创建模型时使用名称-值对

  • 当你调用适合功能

  • 在模型创建后使用点符号

为最近邻搜索使用并行计算的标志，指定为真正的或假的．

您可以指定使用并行:

  • 在创建模型时使用名称-值对

  • 在模型创建后使用点符号

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:

  • 在创建模型时使用名称-值对

  • 在模型创建后使用点符号

目标函数

predictRUL 估计测试组件的剩余使用寿命
适合 利用历史数据估计剩余使用寿命模型参数
比较 比较测试数据和历史数据的相似性模型集合

例子

全部崩溃

打开生活的脚本

加载训练数据。

负载(“residualTrainVectors.mat”)

训练数据是一个列向量的单元数组。每个列向量是一个组件的退化特征轮廓。

使用默认设置创建剩余相似性模型。

mdl = residualSimilarityModel;

利用训练数据训练相似度模型。

fit (mdl residualTrainVectors)
打开生活的脚本

加载训练数据。

负载(“residualTrainTables.mat”)

训练数据是一个表格单元格数组。每个表格都是一个组件的退化特征配置文件。每个配置文件都包含组件中的寿命测量值“时间”变量和相应的退化特征的测量“条件”变量。

创建残差相似模型，用三阶ARMA模型拟合数据，并使用绝对距离度量。

mdl = residualSimilarityModel (“方法”,“arma3”,“距离”,“绝对的”);

利用训练数据训练相似度模型。指定生命周期和数据变量的名称。

fit (mdl residualTrainTables,“时间”,“条件”)
打开生活的脚本

加载训练数据。

负载(“residualTrainTables.mat”)

训练数据是一个表格单元格数组。每个表格都是一个组件的退化特征配置文件。每个配置文件都包含组件中的寿命测量值“时间”变量和相应的退化特征的测量“条件”变量。

建立残差相似度模型，用三阶ARMA模型拟合数据，并使用小时作为生命时间单位。

mdl = residualSimilarityModel (“方法”,“arma3”,“LifeTimeUnit”,“小时”);

利用训练数据训练相似度模型。指定生命周期和数据变量的名称。

fit (mdl residualTrainTables,“时间”,“条件”)

负载测试数据。测试数据包含截至当前生命周期的测试组件的降级特性度量。

负载(“residualTestData.mat”)

使用训练的相似度模型预测测试组件的RUL。

residualTestData estRUL = predictRUL (mdl)
estRUL =期间85.73小时

该组件的估计RUL约为86小时。

扩展功能

另见

功能

话题

R2018a中引入

预测性维护工具箱文档

金宝app

基于MATLAB的预测维护

基于MATLAB的预测维护

下载电子书