预测性维护,第3部分:剩余使用寿命的评估
从系列:预见性维护
Melda Ulusoy, MathWorks
预见性维护可以估计的剩余使用寿命(原则)的机器。荷重软化预测给你见解当您的机器将会失败,这样你就可以提前安排维修。
您将了解最常见的荷重软化估计模型:相似性,生存和退化。您可以使用相似性模型来估计原则当你有完整的历史从类似的机器。然而,如果你有数据仅从时间失败,那么您可以使用生存模型。如果故障数据不可用,但你有知识的安全阈值,您可以使用退化模型。视频概述的这些模型,然后讨论了这些技术之一——相似模型,详细飞机引擎的例子。
看看下面的例子在这个视频中提到的数据还原技术:
预见性维护的目标之一是估计剩余使用寿命,或在短的原则。在这个视频中,我们将要学习什么是原则,原则讨论三种常用方法来估计。在这里,我们看到一个机器的恶化。如果这是一台机器的当前健康,然后计算剩余使用寿命之间的时间和失败。取决于您的系统,这个时期可以代表天,英里,周期,或其他任何数量。
有三种常见的方法来估计原则:相似性、生存和退化模型。你怎么知道使用哪个模型?这实际上取决于你知道多少。你的数据捕获从健康状态退化到失败,或者你只有失败的数据从时间,还是介于两者之间,但知道不应该超过安全阈值吗?
现在我们要用飞机引擎的例子来更好地理解这些估计模型是如何工作的。然后,使用相同的示例中,我们将详细讨论相似模型多看看荷重软化的模拟结果预测。
假设这是我们的发动机,在操作20航班。我们想算出有多少航班发动机各部分可以操作,直到需要修理或更换。这是数据从一个舰队与相同类型的引擎。如果我们没有完成历史的舰队,但只有失败的数据,我们可以使用生存模型来估计原则。我们知道有多少引擎失败之后有多少航班,我们也知道有多少航班发动机一直在操作。生存模型使用这些数据的概率分布估计剩余使用寿命。
在某些情况下,没有失败的数据可以从类似的机器。但我们可能了解安全阈值,不应该交叉,因为这可能会导致失败。我们可以使用这个信息如下。我们可以符合条件的退化模型指标,利用过去的信息从我们的引擎条件预测指标在未来将会改变。通过这种方式,我们可以统计估计有多少周期直到穿过阈值条件指标,这帮助我们估计剩余使用寿命。
第三常见的方法来估计原则是使用相似模型。当我们使用这些模型run-to-failure数据。这意味着我们有完整的历史从舰队与相同类型的引擎。这包括数据从健康状态、退化和失败。
让我们总结一下到目前为止我们已经讨论过:这些原则三种常用方法来估计。如果你有数据仅从时间失败,那么您可以使用生存模型。如果故障数据不可用,但你有知识的安全阈值,您可以使用退化模型。如果你有完整的历史从类似的机器,那么你可以使用相似模型来估计原则。
接下来,我们将更详细地讨论这些技术——相似性原则,以让你直觉如何预测执行。从以前的视频你会记得,预见性维护工作流程的第一步是收集数据。对于我们的例子,我们将使用数据集的预测和健康管理挑战公开在NASA的数据存储库。这个数据集包括完整的历史从218种不同的引擎,每个引擎数据包含来自21个传感器的测量。这些传感器如燃料流量,温度,压力,被放置在不同的位置引擎提供测量控制系统和监控发动机的健康。的其中一个传感器测量看起来就像所有的引擎。情节,x轴显示周期或航班的数量,而y值表示平均传感器值在每个飞行。每个引擎开始在一个健康的状态,并以失败告终。
这个数据从一个传感器,但请记住,我们有20多个传感器。所以,这是一个大型的数据集。如果我们仔细看看其他传感器读数,我们看到,这些测量的一些不健康状态和失败之间表现出明显的变化趋势。因此,他们不会导致培训有用特性相似的选择模型。在预处理步骤,数据简化执行通过选择只有最trendable传感器和计算条件指标结合在一起。在这个视频中,我们不会讨论计算中执行这些步骤,但你可以看看视频描述中给出的链接找到更多不同的数据简化技术。
现在我们已经退化的概要文件的所有引擎,下一步是火车使用这些轨迹和相似模型估计剩余使用寿命的引擎。这个动画告诉我们如何培训执行。让我们暂停这第二个讨论不同颜色是什么意思。黄色轮廓代表我们的引擎,我们想估计剩余使用寿命。在当前时间,发动机是在60岁周期。相似模型首先找到最接近我们的引擎引擎配置文件当前的周期。因为我们的引擎类似于这些引擎恶化,他们可以给我们一个了解预期失败的时候我们的引擎,因为我们已经知道他们的失败,我们可以使用这些数据来适应一个概率分布。该分布的中位数给我们剩余使用寿命预测的引擎。注意,原始数据集分成两个,我们使用的训练和其他相似模型试验训练模型。这意味着我们已经知道实际的原则对于我们的引擎,将后帮助我们评估训练模型的准确性。
让我们玩剩下的动画。正如我们刚才讨论,在每次迭代中,相似性模型发现最近的路径所示绿色和计算原则使用概率分布的阴谋。在这个阴谋,橙色线表示预测的原则和黑线显示实际的原则。我们注意到的是,预测荷重软化接近实际的原则相似模型越来越飞行数据从我们的引擎。如果我们倒带的开头动画,我们看到美联储的数据模型从我们的引擎只有这么多和预测是40周期从真正的价值。情节上,我们看到,最近的路径是广泛分布的。然而,当我们得到新的数据从我们的引擎,我们训练相似模型与一个更大的数据集。结果,预测精度提高。我们观察到最近的路径变得更加集中,和预测原则开始收敛于实际的原则。我们可能会考虑调度维护引擎大约这个时间我们接近预期的失败的时候其他引擎。
在这个视频中,我们已经讨论了三种常用方法来估计剩余使用寿命和飞机引擎的例子用于训练相似模型。查看链接的更多信息的视频描述如何开发与MATLAB和Simulink预见性维护算法。万博1manbetx
相关产品s manbetx 845
了解更多
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。