剩余使用寿命(RUL)是机器在需要维修或更换之前可能运行的时间长度。通过考虑RUL，工程师可以安排维护，优化运行效率，并避免意外停机。因此，估计RUL是预测性维护计划的首要任务。
RUL估计模型不仅可以预测RUL，而且还提供了预测的置信界。模型输入为条件指标,从传感器数据或日志数据中提取的特征，其行为随着系统退化或在不同模式下运行而以可预测的方式变化。
用于计算RUL的方法取决于可用的数据类型:
- 指示类似机器到达故障所需时间的生命周期数据
- 与要诊断的机器类似的机器的运行到故障历史
- 用于检测故障的条件指示器的已知阈值
预测性维护工具箱™提供了从每种类型的数据估计RUL的模型。
生命周期数据
使用比例危险模型和部件失效时间的概率分布来估计寿命数据中的RUL。一个简单的例子是根据过去的放电时间和估计电池的放电时间协变量例如，电池工作的环境(如温度)和负载等变量。
图1中的生存函数图显示了电池根据运行时间发生故障的概率。例如，该图表显示，如果电池运行了75次循环，那么它有90%的几率处于寿命结束期。
图1。生存函数图。在75次循环结束时，电池继续工作的概率是0.1，即10%。
Run-to-Failure数据
如果您有一个数据库，其中包含来自类似组件或显示类似行为的不同组件的运行到故障数据，那么您可以使用相似度方法来估计RUL。这些方法捕获退化概要文件并将它们与机器输入的新数据进行比较，以确定哪个数据最匹配。
在图2中，来自引擎的历史运行到故障数据集的退化配置文件显示为蓝色，来自引擎的当前数据显示为红色。根据发动机最匹配的配置文件，RUL估计在65个循环左右。
图2。基于运行到故障数据的退化概况(蓝色)。最近的蓝色曲线的恒星(或端点)分布给出了65个周期的RUL。
阈值数据
在许多情况下，没有记录运行到故障的数据或寿命数据，但您确实有关于规定的阈值的信息——例如，泵中液体的温度不能超过160oF (71oC)，压力必须低于2200 psi (155 bar)。有了这类信息，您可以将时间序列模型与从温度和压力等传感器数据中提取的条件指标相匹配，这些指标会随着时间的推移而上升或下降。
这些退化模型通过预测条件指标何时越过阈值来估计RUL。它们也可以和熔断状态指示器它使用主成分分析等技术，结合来自多个条件指标的信息。
图3显示了一个指数退化模型，用于跟踪风力涡轮机中使用的高速轴承的故障。状态指示器显示为蓝色。退化模型预测轴承将在大约9.5天内超过阈值。红色阴影区域表示该预测的置信范围。
图3。高速轴承退化模型。基于其当前状态数据(蓝色)和指数退化模型(红色)，轴承的估计RUL为9.5天。
一旦对RUL有了可靠的估计，就可以将它们集成到操作人员使用的仪表板中，或者将它们集成到维护团队监控的报警系统中。然后，团队可以在不影响操作的情况下，尽快响应设备运行状况的变化。
