通常,您可以通过开发一个模型来估计系统的剩余有用寿命(RUL),该模型可以根据时间演化或条件指标值的统计属性来执行估计。这些模型的预测是带有不确定性的统计估计。它们提供了测试机器的RUL的概率分布。
您使用的模型可以是一个动态模型,就像您使用System Identification Toolbox™命令获得的模型一样。预测性维护工具箱™还包括一些专门的模型,用于从不同类型的测量系统数据计算RUL。有关可以使用的模型类型的概述,请参见剩余使用寿命预测模型.
在确定有希望的条件指标之后,开发一个用于RUL预测的模型是算法设计过程的下一步。因为您开发的模型使用条件指示器值的时间演变来预测RUL,所以这一步通常与识别条件指示器的步骤重复。
您可以使用递归模型、已识别模型或状态估计器来预测剩余的有用寿命(RUL)。还有专门为从系统数据计算RUL而设计的模型。
Rank特性可以确定系统退化的最佳指标,并提高剩余使用寿命(RUL)预测的准确性。
这个例子展示了如何将降级系统中的数据分割成帧,执行基于帧的处理和特征提取,以及在Diagnostic feature Designer中使用预后排序。
当来自测试机器的数据到达时,您可以使用每个新的数据点更新RUL预测。
通过预处理、选择趋势特征、通过传感器融合构建健康指标、训练相似RUL估计器和验证预后,构建完整的剩余可用寿命(RUL)估计算法。
建立指数退化模型,实时预测风力机轴承剩余使用寿命。指数退化模型基于其参数先验和最新的测量结果来预测RUL。
在Simulink中使用无迹卡尔曼滤波器估计非线性系统的状态。金宝app
从球轴承的振动信号中提取特征,进行健康监测,并进行预测。
使用有监督的机器学习算法预测快速充电锂离子电池的剩余循环寿命。
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。