covariateSurvivalModel
比例危险模型估算剩余寿命生存
描述
使用covariateSurvivalModel估计剩余使用寿命(原则)组件的使用比例风险生存模型。这个模型描述了生存概率的测试组件使用历史信息组件的生命周期和相关的协变量。则反是环境或解释性变量,如组件制造商或操作条件。协变量生存模型是有用的唯一数据时你是失败对于一次协变量和相关类似的组件,如多台机器生产的同一规格。生存模型的更多信息,请参阅生存比例风险模型。
配置一个covariateSurvivalModel对象为特定类型的组件,使用适合,估计模型系数使用failure-time数据和相关的协变量的集合。配置参数的协变量后生存模型,然后可以预测类似的组件使用的剩余使用寿命predictRUL。对于一个基本的示例说明原则预测,明白了更新原则预测数据的到来。
如果你只有寿命测量和没有协变量信息,使用reliabilitySurvivalModel。
对于一般信息预测剩余使用寿命,请参阅模型预测剩余寿命。
创建
语法
描述
mdl= covariateSurvivalModel
mdl= covariateSurvivalModel (initModel)covariateSurvivalModel对象initModel。
mdl= covariateSurvivalModel (___,名称,值)covariateSurvivalModel (“LifeTimeUnit”,“天”)创建一个协变量生存模型,使用天一生。您可以指定多个名称-值对。在报价附上每个属性的名字。
输入参数
属性
对象的功能
predictRUL |
估计剩余使用寿命测试组件 |
适合 |
使用历史数据估计参数的剩余使用寿命模型 |
情节 |
情节生存函数协变量生存剩余使用寿命模型 |
例子
火车协变量的生存模式
负荷训练数据。
负载(“covariateData.mat”)
这些数据包含电池的放电时间和相关的协变量信息。协变量的变量有:
温度
负载
制造商
制造商信息是类别变量,必须进行编码。
创建一个协变量的生存模式。
mdl = covariateSurvivalModel;
使用训练数据训练生存模型,指定生活时间变量,数据变量和变量进行编码。没有审查这个训练数据变量。
fit (mdl covariateData,“DischargeTime”,(“温度”,“负载”,“制造商”],[],“制造商”)
成功的融合:梯度小于OPTIONS.TolFun规范
情节的基线生存函数模型。
情节(mdl)
使用协变量生存模型预测原则
负荷训练数据。
负载(“covariateData.mat”)
这些数据包含电池的放电时间和相关的协变量信息。协变量的变量有:
温度
负载
制造商
制造商信息是类别变量,必须进行编码。
创建一个协变量生存模型,使用训练数据训练它。
mdl = covariateSurvivalModel (“LifeTimeVariable”,“DischargeTime”,“LifeTimeUnit”,“小时”,…“DataVariables”,(“温度”,“负载”,“制造商”),“EncodedVariables”,“制造商”);fit (mdl covariateData)
成功的融合:梯度小于OPTIONS.TolFun规范
假设您有一个电池生产制造商B运行了30.个小时。创建一个测试数据表包含使用时间,DischargeTime测量环境温度,TestAmbientTemperature,当前,TestBatteryLoad。
TestBatteryLoad = 25;TestAmbientTemperature = 60;DischargeTime =小时(30);TestData =时间表(TestAmbientTemperature TestBatteryLoad,“B”,“RowTimes”小时(30));TestData.Properties。VariableNames = {“温度”,“负载”,“制造商”};TestData.Properties。DimensionNames {1} =“DischargeTime”;
预测电池的原则。
TestData estRUL = predictRUL (mdl)
estRUL =持续时间38.332人力资源
情节的生存函数的协变量数据的电池。
情节(mdl TestData)
