数据训练和预测

加载本例中的数据，该数据包含两个变量，测试数据和TrainingData。

加载UpdateRULExampleData

测试数据是含有一些条件指示符的值的表，条件，记录每一个小时，作为前几个条目显示。

头(TestData, 5)

ANS =5×2表时间条件____ _________ 1 1.0552 2 1.2013 3 0.79781 4 1.09 5 1.0324

TrainingData是表具有相同的变量作为一个单元阵列测试数据。每个细胞在TrainingData代表演进到状态指示符的故障条件在一个机器的整个生命周期中。

火车预测模型

用TrainingData训练的exponentialDegradationModel模型预测RUL。该适合命令估计基于历史记录之前，对模型的参数TrainingData。该先属性包含模型参数西塔，Beta版,卢。（对于这些模型参数的详细信息，请参阅exponentialDegradationModel。)

MDL = exponentialDegradationModel（'LifeTimeUnit'，“小时”);fit (mdl TrainingData,“时间”，“条件”）mdl.Prior

ANS =同场的结构：的差值为0.0661，的差值为0.0583，的差值为1.8383e-04，的差值为-0.3129

退化模型是最可靠的退化跟踪后，初始坡度出现在条件指标的测量。将坡度检测级别设置为0.1，告诉模型在达到坡度之前不要进行RUL预测。(当您预先知道这些测量是针对一个已经开始退化的组件时，您可以通过设置来禁用斜率检测mdl.SlopeDetectionLevel = []。)

mdl.SlopeDetectionLevel = 0.1;

预计RUL在每个时间步

定义阈值条件指示符值，表示机器的寿命结束。该RUL是离开之前用于测试机的条件指示器达到该阈值的预测时间。

阈值= 400;

对于RUL预测，假设测试数据开始于时间Ť= 1小时，每小时有一个新的数据样本可用。通常，您可以使用每个新的数据点预测一个新的RUL值。对于本例的降级模型，循环遍历测试数据和更新使用每一个新的数据点的模型更新命令。然后，检查模型是否检测到足够的坡度变化，以进行可靠的RUL预测。如果是，则使用predictRUL命令。观察估计的演变，存储在向量估计RUL值和相关的置信区间EstRUL和CI， 分别。类似地，存储在阵列中的模型参数ModelParameters。

N =高度（TESTDATA）;EstRUL =小时（零（N，1））;CI =小时（零（N，2））;ModelParameters =零（N，3）;对于T = 1：N CurrentDataSample = TESTDATA（T，:);更新（MDL，CurrentDataSample）ModelParameters（T，:) = [mdl.Theta mdl.Beta mdl.Rho];％计算RUL仅如果数据表明在斜率变化。如果〜的isEmpty（mdl.SlopeDetectionInstant）[EstRUL（吨），CI（T，:)] = predictRUL（MDL，CurrentDataSample，阈值）;结束结束

绘制估计的模型参数值的轨迹。在退化数据中检测到斜坡后，这些值变化很快。当更多的数据点可用时，它们趋向于收敛。

时间=小时(1:N) ';tStart = mdl.SlopeDetectionInstant;％斜率检测时刻图（时间，ModelParameters）;保持在图（[TSTART，TSTART]，[ -  1,2]，'K--')({传奇'\ THETA（吨）'，'\β（t）的'，'\ RHO（吨）'，“坡度检测瞬间”}，“位置”，'最好')举行从

绘制预测RUL更降解数据可用来观察其演变。有直至在降解的数据中检测的斜率没有新的估计值RUL。在此之后，预计RUL随时间递减，符合市场预期。predictRUL计算RUL值的统计分布。随着时间的推移，预测的RUL的置信范围会变得更窄。

图（时间，EstRUL，'B.-'，时间，CI，'C'，TSTART，EstRUL（小时（T开始）），的r *）标题（“在时刻t5估计RUL”)包含('T')ylabel (“估计RUL”)({传奇“预测的RUL”，“信心势必”，“信心势必”，“坡度检测瞬间”}）