从系列中:预测维护
梅尔达·乌卢索伊,马修斯
预测维护让您估计您机器的剩余使用寿命(RUL)。RUL预测为您提供了关于当您的机器失败时的洞察,因此您可以提前安排维护。
您将了解最常见的RUL估算器模型:相似性,生存和退化。您可以使用相似性模型来估计RUL,当您有类似机器的完整历史时。但是,如果只有在失败时只有数据,那么您可以使用生存模型。如果不可用的故障数据,但您具有安全阈值的知识,则可以使用劣化模型。该视频概述了所有这些模型,然后讨论了这些技术之一 - 相似性模型 - 更详细地与飞机发动机示例更详细。
看看下面的这个视频中提到的数据缩减技术的例子:
预测维护的目标之一是估计剩余的使用寿命,或者统一。在这个视频中,我们将学习RUL是什么,并讨论估计rul的三种常见方法。在这里,我们看到随着时间的推移对机器的恶化。如果这是机器的当前健康,那么将剩余的使用寿命作为此点与故障之间的时间计算。根据您的系统,此时间段可以根据天,英里,周期或任何其他数量表示。
有三种常用的方法来估计RUL:相似性、生存和退化模型。您如何知道使用哪种型号?这真的取决于你知道多少。您的数据是否捕获了从健康状态到故障的降级,或者您是否只拥有故障时的数据,或者您是否有介于两者之间的数据,但知道不应超过的安全阈值?
现在我们将使用飞机发动机示例来更好地了解这些估算器模型的工作原理。然后,使用相同的示例,我们将更详细地讨论相似性模型,并查看RUL预测的仿真结果。
比方说,这是我们的发动机,它已经运行了20个航班。我们要弄清楚什么是多少航班发动机可以操作,直到它的零件需要修理或更换。这是从具有相同类型的发动机的车队数据。如果我们没有从车队的完整历史,但只有在发生故障的数据,那么我们可以用生存模型来估算RUL。我们知道有多少引擎有多少航班后失败了,我们也知道,发动机有多少航班投入运营。生存模式使用该数据的概率分布来估计剩余使用寿命。
在某些情况下,类似机器没有可用的故障数据。但我们可能知道不应超过的安全阈值,因为这可能导致故障。我们可以使用以下信息。我们可以将退化模型拟合到条件指示器,该模型使用来自我们发动机的过去信息来预测条件指示器在未来将如何变化。通过这种方式,我们可以统计地估计在条件指示器超过阈值之前有多少个循环,这有助于我们估计剩余的使用寿命。
估计RUL第三种常见的方法是使用相似的模型。当我们已经运行到出现故障的数据使用这些模型。这意味着,我们有完整的历史从与同类型发动机的车队。这包括从健康的状态,退化和故障数据。
让我们总结一下我们到目前为止讨论的内容:这是估算RUL的三种常用方法。如果只有故障时的数据,那么可以使用生存模型。如果故障数据不可用,但您知道安全阈值,则可以使用降级模型。如果你有相似机器的完整历史记录,那么你可以使用相似模型来估计RUL。
接下来,我们将更详细地讨论这些技术之一 - 相似之柴 - 为您提供如何执行RUL预测的直接。您将记住以前的视频,预测维护工作流程的第一步是收集数据。对于我们的示例,我们将使用在NASA的数据存储库上公开提供的预后和健康管理挑战数据集。该数据集包括来自218个不同引擎的完整历史,其中每个发动机数据包含来自21个传感器的测量值。这些是诸如燃料流动,温度和压力的传感器,其放置在发动机中的各个位置,以向控制系统提供测量并监控发动机的健康。这是一个这些传感器测量中的一个看起来像所有发动机的样子。在绘图上,X轴显示周期或航班的数量,而Y值表示每个飞行的平均传感器值。每个发动机从健康状态开始,并以故障结束。
此数据来自传感器之一,但请记住,我们有20个传感器。因此,这是一个大数据集。如果我们也仔细看看其他传感器读数,我们也会看到一些这些测量结果不会在健康状态和失败之间显着改变趋势。因此,它们不会有助于选择用于训练相似性模型的有用功能。因此,在预处理步骤中,通过仅选择最趋势的传感器并将它们组合在一起来计算条件指示符来执行数据减少。在此视频中,我们不会讨论在这些步骤中执行的计算,但您可以查看视频描述中给出的链接,以了解更多关于不同的数据减少技术。
现在,我们有所有引擎的降解曲线,下一步是要培养使用这些轨迹的相似性模型,并估计剩余我们的发动机的使用寿命。该动画演示了我们如何进行这种训练。让我们暂停此为第二个讨论什么不同颜色的含义。黄色曲线代表了我们的引擎,我们要估计剩余使用寿命。在当前时间,发动机是在60个周期。相似模型首先找到最接近的引擎配置文件,以我们的引擎上升到目前的周期。由于我们的引擎恶化类似于这些引擎,他们可以给我们介绍一下我们的发动机的预期故障时间的想法,因为我们已经知道了自己的失败倍,我们可以用这个数据作为这里看到适合的概率分布。这种分布的中位数为我们提供了我们的发动机的剩余使用寿命的估计。需要注意的是原始数据集被分成两个,在这里我们使用它的较大部分训练的相似模型,其余检验训练的模型。这意味着我们已经知道我们的引擎真实RUL稍后将帮助我们评估了训练模型的准确性。
让我们播放动画的其余部分。正如我们刚才讨论的,在每次迭代的相似模型发现,显示为绿色,并计算使用的概率分布图的RUL最接近的路径。在该图中,橙色线显示了预测RUL和黑线显示真实RUL。我们这里需要注意的是,预测RUL更接近真实RUL作为相似度模型从我们的引擎随着时间的推移变得越来越飞行数据。如果我们倒退到动画的开始,我们看到,输送到从我们的引擎模型中的数据仅仅是这么多和预测是关闭与真值的40个循环。而就在上图,我们可以看到,最近的路径分布广泛。然而,当我们从我们的引擎获得新的数据,我们培养具有更大的数据集的相似性模型。由于这一结果,预测精度提高随时间。我们注意到,最近的路径变得更加集中,和预测的RUL开始收敛到实际的RUL。因为我们正在越来越接近其他引擎的预期故障时间,我们可能会考虑安排维护周边此时这台发动机的地方。
在本视频中,我们讨论了估算剩余使用寿命的三种常用方法,并使用了一个飞机发动机示例来训练相似性模型。有关如何使用MATLAB和Simulink开发预测性维护算法的更多信息,请查看视频说明中给出的链接。金宝app
您还可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。