このペ,ジの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
Rul推定器モデルを使用したRulの推定
预见性维护工具箱™には,測定された各種のシステムデータから荷重软化を計算するために設計された専用のモデルが含まれています。これらのモデルは次のような履歴デ,タおよび情報がある場合に便利です。
診断対象のものと類似したマシンを故障に至るまで運用した履歴
故障を示す何らかの状態ンジケタの既知のしきい値
類似マシンが故障に至るまでに費やした時間または使用量に関するデ,タ(寿命)
荷重软化推定のモデルは,履歴データを使用してモデルに学習させ,これを残存耐用期間の予測を行うために使用する方法を提供します。ここで"寿命"という用語は,システム寿命の測定に使用する数量により定義される,マシンの寿命を指しています。同様に"時間発展"は,使用,移動距離,サ。
Rul推定モデルを使用するための一般的なワ,クフロ,は次のとおりです。
手元のデタおよびシステム情報に最も適したタプのrul推定モデルを選択します。対応するモデルオブジェクトを作成して構成します。
手元の履歴デ,タを使用して推定モデルに学習させます。これを行うには,
适合
コマンドを使用します。履歴デタと同じタプのテストデタを使用して,テストコンポネントのrulを推定します。これを行うには,
predictRUL
コマンドを使用します。予測を正確に保つため,テストデータを再帰的に使用して,劣化モデルなどいくつかのモデルタイプを更新することもできます。これを行うには,更新
コマンドを使用します。
これらの手順を示す基本的な例は,デタの着信に応じたrul予測の更新を参照してください。
Rul推定器の選択
Rul推定モデルには3のファミリがあります。次の図に示されているように,利用可能なデータとシステム情報に基づいて,使用するファミリとモデルを選択します。
類似度モデル
類似度モデルは,履歴データベースからの類似マシンの既知の動作に基づいてテストマシンの荷重软化の予測を行います。このようなモデルでは,テストデータまたは状態インジケーター値のトレンドを,他の類似するシステムから抽出された同じ情報と比較します。
類似度モデルは次のような場合に役立ます。
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。。
したがって,デ,タアンサンブルから“劣化プロファ电子邮箱ル”を取得できる場合は類似度モデルを使用できます。劣化プロファイルは,アンサンブルの各マシン(各コンポーネント)について,マシンが健全な状態から故障状態に遷移する際の1つ以上の状態インジケーターの変化を表します。
预见性维护工具箱には3つのタイプの類似度モデルが含まれています。3つのタイプすべてで,テストデータセットの劣化履歴と,アンサンブルにあるデータセットの劣化履歴間の類似度を判定することにより荷重软化を推定します。類似度モデルの場合,predictRUL
はテストコンポーネントの荷重软化を,大半の類似コンポーネントの寿命の中央値からテストコンポーネントの現在の寿命値を引いたものとして推定します。3のモデルでは類似度の概念を定義し定量化する方法が異なっています。
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。
Rulの推定に類似度モデルを使用する例は,類似度ベ,スの残存耐用期間推定を参照してください。
劣化モデル
劣化のモデルは,過去の動作を外挿して将来の状態を予測します。このタイプの荷重软化計算は,アンサンブルに劣化プロファイルが与えられている場合,線形モデルまたは指数モデルを状態インジケーターの劣化プロファイルに当てはめます。その後,テストコンポーネントの劣化プロファイルを使用して,インジケーターが何らかの指定されたしきい値に達するまでの残り時間を統計的に計算します。。利用できる2の劣化モデルタプは次のとおりです。
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。
劣化モデルオブジェクトを作成した後,同じ仕様で製造された複数のマシンなど,類似コンポーネントのアンサンブルの健全性に関する履歴データを使ってモデルを初期化します。これを行うには,适合
を使用します。その後,類似コンポ,ネントの残存耐用期間をpredictRUL
を使用して予測できます。
劣化モデルは,状態ンジケタが単一の場合にのみ機能します。ただし,主成分解析や他の融合手法を使用して,複数の状態インジケーターからの情報を組み込む融合状態インジケーターを生成することは可能です。単一のインジケーターと融合インジケーターのどちらを使用する場合でも,モデル化と外挿が信頼できるものとなるよう,増加または減少のトレンドを明確に示すインジケーターを探してください。
この方法により劣化モデルを使ってrulを推定する例は,風力タ,ビン高速ベアリングの経過予測を参照してください。
生存モデル
生存時間分析は,。これは故障に至るまで実行された完全な履歴がなく,代わりに以下がある場合に役立ます。
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。
参考
covariateSurvivalModel
|reliabilitySurvivalModel
|exponentialDegradationModel
|linearDegradationModel
|residualSimilarityModel
|pairwiseSimilarityModel
|hashSimilarityModel
|适合
|predictRUL