用于训练和预测的数据

加载此示例中的数据，它由两个变量，TestData和TrainingData。

负载UpdateRULExampleData

TestData是包含某个条件指示符的值的表，条件，每小时记录一次，就像最初的几条记录所显示的那样。

头（TESTDATA，5）

ans =5×2表时间条件为1 1.0552 2 1.2013 3 0.79781 4 1.09 5 1.0324

TrainingData表的单元格数组是否具有与?相同的变量TestData。在每个单元TrainingData表示条件指示器向失败的演化条件在一个机器中的合奏的寿命。

火车预测模型

使用TrainingData培养一个exponentialDegradationModelRUL预测模型。的适合命令根据其中的历史记录估计模型参数的先验TrainingData。的之前训练的模型的属性包含模型参数θ,β和ρ。(有关这些模型参数的详细信息，请参阅exponentialDegradationModel。)

mdl = exponentialDegradationModel (“LifeTimeUnit”,“小时”）;配合（MDL，TrainingData，“时间”,“条件”)mdl.Prior

ans =结构体字段:西塔：0.6389 ThetaVariance：0.0661 Beta版：0.0583 BetaVariance：1.8383e-04的Rho：-0.3129

初始斜率在条件指示符测量结果中出现后，降解模型是最可靠的降解跟踪。0.1设置斜率检测水平告诉模型不作RUL预测直到达到斜率。（当你事先知道测量是其分解已启动的组件，您可以禁用由设置斜率检测mdl。SlopeDetectionLevel = []。)

mdl。SlopeDetectionLevel = 0.1;

预测每个时间步的RUL

定义一个阈值条件指示器值，该值指示机器的寿命结束。RUL是测试机器的条件指示器达到此阈值之前的预测时间。

阈值= 400;

对于RUL预测，假设TestData从时间开始t= 1小时，和一个新的数据样本变得可用每隔一小时。在一般情况下，你可以预测每一个新的数据点的新的RUL值。对于本实施例的劣化模型，通过循环TestData方法使用每个新数据点更新模型更新命令。然后，检查模型是否检测斜率可靠RUL预测的足够变化。如果是这样，使用预测新RUL值predictRUL命令。为了观察估计的演化，将估计的RUL值和相关的置信区间存储在向量中EstRUL和CI,分别。类似地，将模型参数存储在数组中ModelParameters。

N =身高(TestData);EstRUL =小时(0 (N, 1));CI =小时(0 (N, 2));ModelParameters = 0 (N, 3);为t = 1:N CurrentDataSample = TestData(t，:);更新(mdl,CurrentDataSample)模型参数(t，:) = [mdl]。θmdl。βmdl。ρ];只有当数据表明斜率发生变化时才计算RUL。如果~isempty(mdl. slopedetectioninstant) [EstRUL(t)，CI(t，:)] = predictRUL(mdl,CurrentDataSample,threshold);结束结束

绘制估计的模型参数值的轨迹。在降解的数据中检测的斜率之后的值快速变化。他们往往汇聚更多的数据点变得可用。

时间=小时（1：N）';TSTART = mdl.SlopeDetectionInstant;%斜率检测时间瞬间情节(时间,ModelParameters);持有上情节([tStart, tStart], [1、2],“k——”）图例（{“\θ(t)”,“\β(t)”,“\ρ(t)”,“检测瞬时斜率”},'位置',“最佳”）保持离

绘制预测的RUL以观察其随更多降解数据的变化。在退化数据中检测到坡度之前，没有新的RUL估计数。在那之后，预期的RUL会像预期的那样随着时间的推移而减少。predictRUL计算RUL值的统计分布。预测的RUL的置信区间随着时间的推移窄。

情节(时间、EstRUL“b -”、时间、CI、“c”(tStart)、tStart EstRUL(小时),'R *')标题("估计时间t "）xlabel（“t”）ylabel（“估计原则”）图例（{“预测原则”,“信心绑定”,“信心绑定”,“检测瞬时斜率”})