이번역페이지는최신내용을담고있지않습니다。최신내용을영문으로보려면여기를클릭하십시오。
일반적으로시스템의荷重软化(잔여수명)은상태지표값의시간적변화또는통계적속성을기반으로추정을수행할수있는모델을개발하여추정합니다。이러한모델에서수행하는예측은불확실성이수반되는통계적추정값입니다。이러한통계적추정값은테스트기계의荷重软化에대한확률분포를제공합니다。
이때사용하는모델은系统辨识工具箱™명령을사용하여얻는것과같은동적모델일수있습니다。预见性维护工具箱™에는다양한유형의측정된시스템데이터로부터荷重软化을계산하도록설계된몇가지특화모델도포함되어있습니다。사용할수있는모델유형에대한개요는잔여수명예측모델항목을참조하십시오。
유력한상태지표를식별한후에알고리즘설계과정에서수행해야하는다음단계는荷重软化예측을위한모델을개발하는것입니다。개발하려는모델은상태지표값의시간적변화를이용해荷重软化을예측하므로,이단계는상태지표를식별하는단계와함께반복적으로수행되는경우가많습니다。
재귀적모델,식별된모델또는상태추정기를사용하여잔여수명(原则)을예측할수있습니다。시스템데이터로부터荷重软化을계산하도록설계된특화모델도있습니다。
특징에순위를지정하여시스템성능저하의가장좋은지표를결정하고잔여수명(原则)예측의정확도를개선합니다。
진단특징디자이너를사용하여성능이저하되는시스템에대한예지진단특징순위지정하기
이예제에서는성능저하시스템의데이터를프레임으로분할하고,프레임기반처리및특징추출을수행하고,진단특징디자이너에서예지진단순위지정을사용하는방법을보여줍니다。
테스트중인기계로부터데이터가수신됨에따라각각의새로운데이터점을사용하여荷重软化예측을업데이트할수있습니다。
전처리를수행하고추,세를도출할수있는특징을선택하고,센서융합으로건전성지표를생성하고,유사성荷重软化추정기를훈련시키,고예지진단결과를검증하여완전한잔여수명(原则)추정알고리즘을구축합니다。
지수성능저하모델을구축하여풍력터빈베어링의잔여수명(原则)을실시간으로예측합니다。지수성능저하모델은파라미터사전값과최신측정값을기반으로荷重软化을예측합니다。
金宝app仿真软件에서무향칼만필터를사용하여비선형시스템의상태를추정합니다。
볼베어링의진동신호에서특징을추출하고,건전성모니터링을실시하고,예지진단을수행합니다。
머신러닝지도학습알고리즘을사용하여고속충전리튬이온배터리의잔여사이클수명을예측합니다。
这个例子展示了如何使用深度卷积神经网络(CNN)预测引擎的RUL。