使用RUL估计器模型进行RUL估计
预测性维护工具箱™包括被设计用于从不同类型的测量的系统数据的计算RUL一些专门的模型。当你有历史数据和信息，比如这些模型是有用的：
类似于您想要诊断的机器的运行到故障历史记录
一些条件指示器的一个已知阈值，指示失败
关于类似机器达到故障(生存期)所需的时间或使用量的数据
RUL估计模型提供了使用历史数据训练模型并将其用于执行剩余使用寿命预测的方法。这个词一生这里指的是在你使用任何数量来衡量系统寿命来定义的机器的使用寿命。同样时间演化可以意味着与用途的值的演变，行进距离，描述寿命周期数，或其它量。
使用RUL估计模型的一般工作流程是:
选择RUL估计模型为你的数据和系统知识的最佳类型。创建并配置相应的模型对象。
使用你的历史数据训练的评估模型。要做到这一点，使用
适合命令。使用相同类型的历史数据的测试数据，估计测试部件的RUL。要做到这一点，使用
predictRUL命令。您也可以使用测试数据递归地更新一些模型类型，如退化模型，以帮助保持准确的预测。要做到这一点，使用更新命令。
为了说明这些步骤的基本示例，请参见当数据到达时更新RUL预测。
选择一个RUL估计
有RUL估计模型的三个家庭。选择使用基于其家庭和模型对您有可用的数据和系统信息，如图所示如下图。
相似模型
相似性模型基部的试验机上，从历史数据库类似的机器的已知行为的RUL预测。这样的模型比较测试数据或条件指示符值从其他类似系统中提取的相同的信息的趋势。
相似模型时有用：
您有来自类似系统的运行到故障数据(组件)。从运行到故障的数据是指在正常运行期间开始，在机器处于接近故障或维护的状态时结束的数据。
从运行到故障的数据显示了类似的退化行为。也就是说，随着系统的退化，数据会以某种特定的方式变化。
因此，当您可以获得时，您可以使用相似模型退化概要文件从您的数据集合。降解型材代表的一个或多个条件指示符演变在合奏（各成分）每个机器，如从一个健康的状态机转换到故障状态。
预测维护工具箱包括三种类型的相似模型。这三种类型通过确定测试数据集的退化历史与集成中数据集的退化历史之间的相似性来估计RUL。对于相似模型,predictRUL将测试组件的RUL估计为大多数相似组件的中值寿命减去测试组件的当前生命期值。这三种模型在定义和量化相似性概念的方式上有所不同。
散列特征相似模型（
hashSimilarityModel) -此模型将集成系统中每个成员的历史退化数据转换为固定大小、压缩的信息，如平均值、总功率、最大值或最小值或其他数量。你打电话时
适合在hashSimilarityModel对象，软件计算这些散列的功能并将它们存储在相似的模式。你打电话时predictRUL与来自测试部件数据，该软件计算散列特征和结果的历史散列特征的表进行比较，以值。当您有大量降解的数据，因为它减少了数据存储所必须的预测量散列特征相似度模型是有用的。然而，它的精度取决于哈希函数的模型使用的准确性。如果你已经在你的数据中识别出良好的状态指示灯，您可以使用
方法财产的hashSimilarityModel对象以指定的散列函数来使用这些功能。两两相似模型(
pairwiseSimilarityModel) -两两相似度估计通过找出与测试组件的历史退化路径最相关的组件来确定RUL。即计算不同时间序列之间的距离，其中距离定义为相关、动态时间翘曲(DTW)，或您提供的自定义度量。通过考虑退化轮廓随时间的变化，两两相似度估计可以得到比哈希相似度模型更好的结果。剩余相似度模型(
residualSimilarityModel） - 基于残余估计拟合之前的数据模型，如ARMA模型或模型，该模型在使用时间线性或指数。然后，它计算从合奏模型所预测的数据和从测试组件的数据之间的残差。可以查看剩余相似性模型上的成对相似性模型，其中残差的大小是距离度量的变化。当你的系统的知识，包括对退化模型的形式残留相似的方法是有用的。
有关使用相似模型进行RUL估计的示例，请参见基于相似性的剩余使用寿命估计。
退化模型
退化模型通过推断过去的行为来预测未来的状况。这种类型的RUL计算适合一个线性或指数模型的退化状况指标，给定退化概况在您的集合。然后，它使用测试组件的退化轮廓来统计计算剩余时间，直到指示器达到某个规定的阈值。当您的条件指示器有一个已知值表示失败时，这些模型最有用。两种可用的退化模型类型是:
线性退化模型(
linearDegradationModel) -将退化行为描述为一个带有偏移项的线性随机过程。当您的系统没有经历累积退化时，线性退化模型是有用的。指数衰减模型（
exponentialDegradationModel- 描述降解行为与偏置项指数的随机过程。当测试组件遇到累计退化指数退化模型是有用的。
创建降级模型对象后，使用关于类似组件集成(如按照相同规范生产的多台机器)的健康状况的历史数据初始化模型。为此，请使用适合。然后，您可以使用预测类似组件的剩余使用寿命predictRUL。
退化模型只有一个条件指标的工作。然而，可以使用主成分分析或其它融合技术以产生从一个以上的条件指示符并入信息稠合状态指示器。无论您使用的是单一的指标或稠指标，寻找一个指标，显示明显的递增或递减的趋势，从而使建模和推断是可靠的。
对于采用这种方法，并使用退化模型估计RUL的例子，见风电机组高速轴承预测。
生存模型
生存分析是用于模型时间 - 事件数据的统计方法。当你没有完全运行到出现故障的历史，而是有它是有用的：
只有关于类似组件寿命的数据。例如，您可能知道在需要维护之前，集成系统中的每个引擎运行了多少英里，或者在出现故障之前，集成系统中的每个机器运行了多少小时。在本例中，使用
reliabilitySurvivalModel。鉴于类似的组件舰队的失败次数的历史信息，这种模式估计失效时间的概率分布。分布被用于估计测试部件的RUL。寿命和其他一些可变数据(协变量），与RUL相关因素。协变量，也被称为环境变量要么解释变量，包括信息，诸如组件提供商，政权其中使用该组件，或制造批量。在这种情况下，使用
covariateSurvivalModel。该模型是使用的寿命和协变量来计算测试部件的生存概率的比例风险存活模型。
也可以看看
covariateSurvivalModel|exponentialDegradationModel|适合|hashSimilarityModel|linearDegradationModel|pairwiseSimilarityModel|predictRUL|reliabilitySurvivalModel|residualSimilarityModel
相关话题
你也可以从以下列表中选择一个网站:
