来自系列:预见性维护
Mathworks Melda Ulusoy
预测性维护允许您估计机器的剩余使用寿命(RUL)。RUL预测可以让您了解机器何时会出现故障,以便提前安排维护时间。
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。如果故障数据不可用,但您了解安全阈值,则可以使用降级模型。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。
查看以下示例,了解本视频中提到的数据缩减技术:
预测性维护的目标之一是估计剩余的使用寿命,或简称RUL。在这个视频中,我们将学习什么是规则值,并讨论三种常见的估计规则值的方法。这里,我们看到机器随着时间的推移而退化。如果这是机器的当前运行状况,则将剩余的有用寿命计算为从该点到故障之间的时间。根据系统的不同,这个时间段可以用天、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?
现在我们将使用一个飞机引擎的例子来更好地理解这些估计模型是如何工作的。然后,使用相同的示例,我们将更详细地讨论相似模型,并查看RUL预测的模拟结果。
假设这是我们的引擎,已经运行了20次了。我们想弄清楚的是,在零件需要修理或更换之前,发动机还能运行多少次航班。这是来自具有相同类型发动机的车队的数据。如果我们没有车队的完整历史记录,但只有故障数据,那么我们可以使用生存模型来估计RUL。我们知道多少次飞行后有多少发动机出现故障,我们也知道发动机已经运行了多少次飞行。生存模型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。
估算RUL的第三种常用方法是使用相似性模型。当我们运行到故障数据时,使用这些模型。这意味着我们拥有一个拥有相同类型发动机的车队的完整历史记录。这包括来自健康状态、降级和故障的数据。
让我们总结到目前为止所讨论的内容:以下是评估RUL的三种常见方法。如果你只有失败时间的数据,那么你可以使用生存模型。如果故障数据不可用,但您了解安全阈值,则可以使用降级模型。如果您有类似机器的完整历史记录,那么您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。
现在我们有了所有引擎的退化曲线,下一步是使用这些轨迹训练一个相似模型,并估计引擎的剩余使用寿命。这个动画向我们展示了训练是如何进行的。让我们暂停一下,讨论一下不同的颜色意味着什么。黄色的剖面代表我们的引擎,我们想要估计其剩余的使用寿命。目前,发动机是60次循环。相似性模型首先找到当前循环中与我们的引擎最接近的引擎轮廓。因为我们的引擎也会像这些引擎一样退化,它们可以让我们知道引擎的预期故障时间,因为我们已经知道了它们的故障时间,我们可以使用这些数据来拟合概率分布,如图所示。这个分布的中位数给出了引擎剩余的使用寿命估计值。请注意,原始数据集被分成两部分,其中大部分用于训练相似模型,其余部分用于测试训练后的模型。这意味着我们已经知道了引擎的实际RUL,它将在稍后帮助我们评估训练模型的准确性。
让我们播放动画的其余部分。正如我们刚才讨论的,在每次迭代中,相似性模型都会找到以绿色显示的最近路径,并使用概率分布图计算RUL。在此图上,橙色线表示预测RUL,黑色线表示实际RUL。我们注意到,随着时间的推移,相似模型从我们的发动机获得越来越多的飞行数据,预测的RUL与实际RUL越来越接近。如果我们倒回动画的开头,我们会看到从引擎提供给模型的数据只有这么多,预测值与真实值相差40个周期。在上面的图中,我们看到最近的路径分布很广。然而,当我们从引擎中获得新数据时,我们会使用更大的数据集来训练相似性模型。因此,预测精度随着时间的推移而提高。我们观察到最近的路径变得更加集中,预测的RUL开始收敛到实际RUL。当我们接近其他发动机的预期故障时间时,我们可能会考虑在这段时间内对发动机进行调度维护。
在这个视频中,我们已经讨论了三种估计剩余使用寿命的常见方法,并使用了一个飞机引擎的例子来训练一个相似模型。查看视频描述中给出的链接,了解更多关于如何使用MATLAB和Simulink开发预测性维护算法的信息。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。