使用RUL估计模型的RUL估计
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。当您拥有历史数据和信息时，这些模型非常有用，例如:
运行到与要诊断的机器相似的机器故障历史记录
指示失败的某个条件指示器的已知阈值
关于类似机器达到故障（寿命）所需时间或使用量的数据
RUL估计模型提供了使用历史数据训练模型并使用其进行剩余使用寿命预测的方法一生这里指的是机器的寿命，用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表示一个值随使用、旅行距离、循环次数或其他描述生命周期的数量的演变。
使用RUL估算模型的一般工作流程为：
有关说明这些步骤的基本示例，请参见数据到达时更新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类和模型，如下图所示。
相似模型
相似模型将测试机器的RUL预测建立在历史数据库中相似机器的已知行为之上。这种模型将测试数据或条件指标值中的趋势与从其他类似系统中提取的相同信息进行比较。
相似模型在以下情况下很有用:
您已运行到类似系统的故障数据(组件).运行至故障数据是指在正常运行期间开始，在机器处于接近故障或维护状态时结束的数据。
运行到故障的数据显示出类似的降级行为。也就是说，随着系统降级，数据以某种特征方式发生变化。
因此，当您可以获得降解曲线从你的数据集合。退化配置文件表示集成中每台机器(每个组件)的一个或多个状态指示器的演化，即机器从健康状态过渡到故障状态。
预测维护工具箱包括三种类型的相似性模型。所有三种类型都通过确定测试数据集的退化历史和集合中数据集的退化历史之间的相似性来估计RUL。对于相似性模型，预测将测试组件的RUL估计为大多数相似组件的平均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性概念的方式上有所不同。
哈希特征相似模型(
hashSimilarityModel)-此模型将集合中每个成员的历史退化数据转换为固定大小的压缩信息，如平均值、总功率、最大值或最小值或其他量。当你打电话
适合在一个hashSimilarityModel对象，软件计算这些散列特征并将它们存储在相似模型中。当你打电话预测利用测试组件的数据，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。当您有大量降级数据时，哈希特征相似度模型是有用的，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。如果您在数据中确定了良好状态的指标，您可以使用
方法财产hashSimilarityModel对象指定使用这些特性的哈希函数。成对相似模型(
pairwiseSimilarityModel)-成对相似性估计通过查找其历史退化路径与测试组件最相关的组件来确定RUL。换句话说，它计算不同时间序列之间的距离，其中距离定义为相关性、动态时间扭曲(dtw)，或您提供的自定义度量。通过考虑随时间变化的退化情况，两两相似性估计可以比哈希相似性模型给出更好的结果。残差相似模型(
residualSimilarityModel) -基于残差的估计拟合先前的数据模型，如ARMA模型或模型是线性或指数使用时间。然后计算从集合模型预测的数据和测试组件的数据之间的残差。您可以将残差相似模型看作是两两相似模型的一个变化，其中残差的大小是距离度量。当您的系统知识中包含退化模型的形式时，残余相似性方法是有用的。
有关使用相似模型进行RUL估计的示例，请参见基于相似性的剩余使用寿命估计．
退化模型
退化模型推断过去的行为来预测未来的状况。这种类型的RUL计算将线性或指数模型与条件指示器的退化剖面相匹配，给定集合中的退化剖面。然后，它使用测试组件的退化曲线统计计算剩余时间，直到指示器达到某个规定的阈值。当存在指示故障的已知条件指示器值时，这些模型最有用。两种可用的退化模型类型为：
线性退化模型(
linearDegradationModel)-将退化行为描述为具有偏移项的线性随机过程。当系统未经历累积降级时，线性降级模型非常有用。指数退化模型(
exponentialDegradationModel-将退化行为描述为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。
创建降级模型对象后，请使用与类似组件集合（如按照相同规格制造的多台机器）的运行状况有关的历史数据初始化模型。为此，请使用适合．然后，您可以使用以下方法预测类似组件的剩余使用寿命预测．
降级模型仅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的条件指示器，该指示器包含来自多个条件指示器的信息。无论是使用单一指标还是融合指标，都要寻找一个显示明显增加或减少趋势的指标，这样建模和外推都是可靠的。
有关使用这种方法并使用降级模型估计RUL的示例，请参见风力机高速轴承预测．
生存模型
生存分析是一种用于建模时间到事件数据的统计方法。当你没有完整的从运行到失败的历史记录，但是有:
仅提供有关类似部件寿命的数据。例如，您可能知道在需要维护之前，集合中的每台发动机运行了多少英里，或者在出现故障之前，集合中的每台机器运行了多少小时。在本例中，您使用
reliabilitySurvivalModel．该模型给出了一组相似部件的失效时间的历史信息，估计了失效时间的概率分布。该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。,也叫环境变量或解释变量，包括组件供应商、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，使用寿命和协变量来计算一个测试组件的生存概率。
另请参阅
covariateSurvivalModel|exponentialDegradationModel|适合|hashSimilarityModel|linearDegradationModel|pairwiseSimilarityModel|预测|reliabilitySurvivalModel|residualSimilarityModel
相关的话题
您还可以从以下列表中选择网站：
