類似するシステム(“コンポ，ネント”)からの，故障に至るまで実行されたデ，タがある。故障に至るまで実行されたデータとは,健全な動作中に開始し,マシンが故障状態またはメンテナンスに近い状態になると終了するデータです。

故障に至るまで実行されたデ，タは，類似した劣化動作を示します。。

ハッシュ特徴の類似度モデル(hashSimilarityModel)——このモデルはアンサンブルの各メンバーからの過去の劣化データを,平均,全出的力,最大値または最小値,その他の数量など,固定サイズの凝縮された情報に変換します。

hashSimilarityModelオブジェクトに対し适合を呼び出すと，ソフトウェアはこれらの“ハッシュ特徴”を計算して類似度モデルに格納します。テストコンポ，ネントからのデ，タを指定してpredictRULを呼び出すと,ソフトウェアはハッシュ特徴を計算し,結果を履歴ハッシュ特徴の表の値と比較します。

ハッシュ特徴の類似度モデルは,予測に必要なデータストレージの量が削減されるので,大量の劣化データがある場合に便利です。ただし，その正確性は，モデルが使用するハッシュ関数の正確性に依存します。デタ内の良好な状態ンジケタを特定したら，hashSimilarityModelオブジェクトの方法プロパティを使って，これらの特徴を使用するハッシュ関数を指定できます。

ペアワescズ類似度モデル(pairwiseSimilarityModel)——ペアワイズ類似度推定は,その過去の劣化パスがテストコンポーネントのものと最もよく相関しているコンポーネントを見つけることで荷重软化を判定します。言い換えれば，さまざまな時系列間の距離を計算しますが，ここで距離とは，相関，動的時間ワ，ピング(dtw)，あるいはユ，ザ，が指定するカスタムメトリクスとして定義されます。ペアワイズ類似度推定では,経時的に変化する劣化プロファイルを考慮することにより,ハッシュ類似度モデルよりも優れた結果が得られます。

残差類似度モデル(residualSimilarityModel) - - -残差ベースの推定は,使用している時間内でARMAモデルや,線形または指数のモデルなどに事前データを当てはめます。その後,アンサンブルモデルから予測されたデータと,テストコンポーネントからのデータの間の残差を計算します。残差類似度モデルは,残差の大きさが距離のメトリクスであるような,ペアワイズ類似度モデルのバリエーションと見なすことができます。残差類似度の方法は，システムに関する知識に劣化モデルの形式が含まれている場合に役立ます。

線形劣化モデル(linearDegradationModel)—劣化動作をオフセット項をも線形確率プロセスとして記述します。線形劣化モデルは，システムに累積的な劣化がない場合に役立ます。

指数劣化モデル(exponentialDegradationModel)—劣化動作をオフセット項をも指数確率プロセスとして記述します。指数劣化モデルは，テストコンポ，ネントが累積的に劣化する場合に役立，ます。

類似コンポ，ネントの寿命に関するデ，タのみ。たとえば,保守が必要となる前にアンサンブル内の各エンジンが走行したマイル数や,故障前にアンサンブル内の各マシンが作動した時間数がわかる場合などです。ここではreliabilitySurvivalModelを使用します。このモデルは類似コンポーネントのフリートの故障時間に関する履歴情報を与えられると,故障時間の確率分布を推定します。分布はテストコンポネントのrulを推定するために使用されます。

寿命，およびrulと相関関係をも他の変数デタ("共変量")の両方。共変量は"環境変数"または"説明変数"とも呼ばれ,コンポーネントの提供元,コンポーネントが使用された領域,または製造バッチなどの情報で構成されます。ここではcovariateSurvivalModelを使用します。このモデルは比例ハザード生存モデルであり,寿命と共変量を使用してテストコンポーネントの生存確率を計算します。