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),该模型可以执行基于时间演化或条件指示值的统计属性的估计。从这些模型得出的预测是带有相关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动态模型,如使用System Identification Toolbox™命令获得的模型。预测维护工具箱™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。有关您可以使用的模型类型的概述,请参见预测剩余使用寿命的模型。
在确定有希望的条件指标后,算法设计过程的下一步是建立RUL预测模型。由于您开发的模型使用条件指标值的时间演化来预测RUL,因此这一步通常与识别条件指标的步骤相迭代。
您可以使用递归模型、标识模型或状态估计器来预测剩余有用寿命(RUL)。也有专门为从系统数据计算RUL而设计的模型。
对特征进行排序,以确定系统退化的最佳指标,并提高剩余有用寿命(RUL)预测的准确性。
这个例子展示了如何将数据从一个退化的系统分割成帧,执行基于帧的处理和特征提取,并在诊断特征设计中使用预测排序。
当数据从被测机器到达时,您可以使用每个新数据点更新RUL预测。
从预处理、选择可trenable特征、利用传感器融合构造健康指标、训练相似RUL估计器、验证预测结果等方面构建完整的剩余有用寿命估计算法。
建立的指数衰减模型来预测实时的风力涡轮机的轴承的剩余有用寿命(RUL)。该指数降解模型预测基于它的参数先验和最新的测量RUL。
在Simulink中使用无迹卡尔曼滤波器估计非线性系统的状态。万博1manbetx
提取物从由球轴承,进行健康监测振动信号的功能,并执行预诊断。