剩余相似模型

基于残差比较的剩余使用寿命估算相似模型

在第页中展开全部

描述

使用剩余相似模型估算剩余使用寿命（RUL）使用基于残差比较的相似性模型对组件进行优化。当您拥有类似组件集合的降级配置文件时，此模型非常有用，例如，按照相同规格制造的多台机器，并且您知道降级过程的动态。数据集合中每个成员的历史数据都适用d具有相同结构的模型。测试组件的退化数据用于计算每个集合模型的一步预测误差或残差。这些误差的大小表明测试组件与相应集合成员的相似程度。

配置剩余相似模型对象，使用适合，用于训练和存储每个数据集成成员的降级模型。配置相似性模型的参数后，可以使用预测。对于相似模型，测试组件的RUL估计为最相似组件的寿命跨度减去测试组件当前寿命值的中值统计。有关说明RUL预测的基本示例，请参阅数据到达时更新RUL预测.

有关预测剩余使用寿命的一般信息，请参阅剩余使用寿命预测模型.

创造

语法

mdl=剩余相似模型
mdl=剩余相似模型（初始模型）
mdl=剩余相似模型(___，名称，值）

描述

实例

mdl=剩余相似模型创建用于估算RUL的基于残差比较的相似性模型，并使用默认设置初始化该模型。

mdl=剩余相似模型(初始模型)创建基于残差比较的相似性模型，并使用现有的剩余相似模型对象初始模型.

实例

mdl=剩余相似模型(___,名称、值)使用名称-值对指定用户可设置的模型属性。例如，hashSimilarityModel（“生命时间单位”，“天”）创建基于剩余比较的相似性模型，该模型使用天数作为生存期单位。您可以指定多个名称-值对。请将每个属性名称括在引号中。

输入参数

全部展开

基于残差比较的相似性模型，指定为剩余相似模型对象

性质

全部展开

使用适合函数，用于剩余生成，具体如下：

  • “线性”-带抵销项的行

  • “poly2”-二阶多项式

  • “poly3”-三阶多项式

  • “exp1”-带偏移项的指数

  • “exp2”-两个指数之和

  • “arma2”-二阶ARMA模型

  • “arma3”-三阶ARMA模型

  • “arima2”-带噪声积分的二阶ARMA模型

  • “arima3”-带噪声积分的三阶ARMA模型

根据您对组件退化过程动力学的了解，选择模型类型。

您可以指定方法:

  • 创建模型时使用名称-值对

  • 创建模型后使用点表示法

有关估计ARMA和多项式模型的更多信息，请参阅阿玛克斯和拟合分别地

距离计算方法，指定为以下方法之一：

  • “欧几里得”-使用剩余信号的2-范数。

  • “绝对的”-使用剩余信号的1-范数。

  • 函数句柄-使用表单的自定义函数：

    D=距离函数（r）

    哪里

    • R是残差，指定为列向量。

    • D是以非负标量返回的距离。

您可以指定距离:

  • 创建模型时使用名称-值对

  • 创建模型后使用点表示法

此属性是只读的。

训练数据集合中每个成员的拟合模型参数，指定为单元数组并由适合功能。功能的内容模型取决于中指定的用于回归的模型类型方法.

方法 模型结构 模型细胞含量
“线性” A.T+B

行向量-[A.B]
“poly2” A.T2.+BT+C

行向量-[A.BC]
“poly3” A.T3.+BT2.+CT+D

行向量-[A.BCD]
“exp1” A.EBT+C

行向量-[A.BC]
“exp2” A.EBT+CEDT

行向量-[A.BCD]
“arma2”

二阶ARMA模型：

A. ( Q ) s ( T ) = C ( Q ) E ( T )

哪里

  • A(Q) = [1A.1.Q-1A.2.Q-2]

  • C(Q) = [1C1.Q-1]

  • (T)是降级功能吗

带字段的结构：

  • A.-行向量[1]A.1.A.2.]

  • C-行向量[1]C1.]
“arma3” 类似“arma2”，但是A(Q)三阶非线性C(Q)二阶

带字段的结构：

  • A.-行向量[1]A.1.A.2.A.2.]

  • C-行向量[1]C1.C2.]
“arima2”

类似“arma2”，但使用附加的噪声积分器：

A. ( Q ) s ( T ) = C ( Q ) 1. − Q − 1. E ( T )

带字段的结构：

  • A.-行向量[1]A.1.A.2.]

  • C-行向量[1]C1.]
“arima3” 类似“arma3”，但带有一个附加的噪声积分器

带字段的结构：

  • A.-行向量[1]A.1.A.2.A.2.]

  • C-行向量[1]C1.C2.]

有关估计ARMA和多项式模型的更多信息，请参阅阿玛克斯和拟合分别地

此属性是只读的。

中每个模型的估计均方误差模型，指定为向量并由适合作用

此属性是只读的。

集合成员寿命，指定为双向量或期间对象向量，并由适合作用

RUL估计的最近邻数，指定为Inf或有限正整数。如果NumNearestNeighbors是Inf然后预测在估计期间使用所有集合成员。

您可以指定NumNearestNeighbors:

  • 创建模型时使用名称-值对

  • 创建模型后使用点表示法

包括系带的标志，指定为符合事实的或错误的什么时候包括是符合事实的，该模型包括与测试组件数据的距离小于K最小距离，在哪里K等于纽曼瑞斯特奈博酒店.

您可以指定包括:

  • 创建模型时使用名称-值对

  • 创建模型后使用点表示法

用于在计算距离之前标准化残差的标志，指定为符合事实的或错误的.

什么时候标准化是符合事实的，残差按中估计均方误差的平方根反比进行缩放模型.

您可以指定标准化:

  • 创建模型时使用名称-值对

  • 创建模型后使用点表示法

生存期变量，指定为包含有效值的字符串®变量名或"".

当您使用适合函数，如果您的培训数据是：

  • 桌子然后寿命变量必须与表中的一个变量名匹配

  • 时间表然后寿命变量表中的一个变量名或时间变量的维度名，data.Properties.DimensionNames{1}

您可以指定寿命变量:

  • 创建模型时使用名称-值对

  • 当你调用适合作用

  • 创建模型后使用点表示法

生命周期变量单位，指定为字符串。

寿命变量的单位不需要是基于时间的。测试组件的寿命可以根据使用变量来测量，例如行驶距离（英里）或耗油量（加仑）。

降级变量名称，指定为字符串或字符串数组。中的字符串数据变量必须是有效的MATLAB变量名。

您可以指定数据变量:

  • 创建模型时使用名称-值对

  • 当你调用适合作用

  • 创建模型后使用点表示法

用于将并行计算用于最近邻搜索的标志，指定为符合事实的或错误的.

您可以指定使用并行:

  • 创建模型时使用名称-值对

  • 创建模型后使用点表示法

用于记账目的的附加模型信息，指定为任何数据类型或格式。模型不使用此信息。

您可以指定用户数据:

  • 创建模型时使用名称-值对

  • 创建模型后使用点表示法

目标函数

预测 估计测试组件的剩余使用寿命
适合 利用历史数据估计剩余使用寿命模型参数
比较 将相似模型的测试数据与历史数据集成进行比较

例子

全部崩溃

打开实时脚本

加载训练数据。

装载(“residualTrainVectors.mat”)

训练数据是一个列向量的单元数组。每个列向量是一个组件的退化特征轮廓。

使用默认设置创建剩余相似性模型。

mdl=剩余相似模型；

利用训练数据对相似模型进行训练。

拟合（mdl，剩余训练向量）
打开实时脚本

加载训练数据。

装载(“ResistualTrainTables.mat”)

训练数据是一个表格单元格数组。每个表格都是一个组件的退化特征配置文件。每个配置文件都包含组件中的寿命测量值“时间”中的变量和相应退化特征测量值“条件”变量

创建一个残差相似性模型，该模型使用三阶ARMA模型拟合数据，并使用绝对距离度量。

mdl=剩余相似模型(“方法”,“arma3”,“距离”,“绝对的”);

使用训练数据训练相似性模型。指定生命周期和数据变量的名称。

拟合（mdl、剩余训练表、，“时间”,“条件”)
打开实时脚本

加载训练数据。

装载(“ResistualTrainTables.mat”)

训练数据是一个表格单元格数组。每个表格都是一个组件的退化特征配置文件。每个配置文件都包含组件中的寿命测量值“时间”中的变量和相应退化特征测量值“条件”变量

创建一个残差相似性模型，该模型使用三阶ARMA模型拟合数据，并使用小时作为寿命单位。

mdl=剩余相似模型(“方法”,“arma3”,“寿命单位”,“小时”);

使用训练数据训练相似性模型。指定生命周期和数据变量的名称。

拟合（mdl、剩余训练表、，“时间”,“条件”)

负载测试数据。测试数据包含测试组件在当前使用寿命内的退化特性测量值。

装载(“residualTestData.mat”)

使用训练的相似模型预测测试组件的RUL。

estRUL=predictRUL（mdl，剩余测试数据）
埃斯特鲁尔=期间85.73小时

该部件的预计RUL约为86小时。

扩展能力

另见

功能

话题

R2018a中引入

预测性维护工具箱文档
万博1manbetx
克服预测性维护的四个常见障碍

克服预测性维护的四个常见障碍

下载白皮书