从系列:预见性维护
Melda Ulusoy, MathWorks
预测性维护让您评估机器的剩余使用寿命(RUL)。RUL预测可以让您了解您的机器何时会发生故障,这样您就可以提前安排维护工作。
您将了解最常见的RUL估计器模型:相似性、生存期和退化。当您拥有来自类似机器的完整历史记录时,您可以使用相似模型来估计RUL。然而,如果您只有来自失败时间的数据,那么您可以使用生存模型。如果故障数据不可用,但您知道安全阈值,则可以使用降级模型。该视频概述了所有这些模型,然后讨论了其中一个技术-相似性模型-更详细的飞机引擎的例子。
看看下面的例子,看看这个视频中提到的数据缩减技术:
预测维护的目标之一是估计剩余的使用寿命(简称RUL)。在这段视频中,我们将学习什么是RUL,并讨论评估RUL的三种常见方法。在这里,我们看到机器随着时间的推移而退化。如果这是机器的当前健康状态,那么剩余的使用寿命将计算为从该点到故障之间的时间。根据您的系统,这个时间段可以表示为天数、英里数、周期或任何其他数量。
有三种常用的方法来估计RUL:相似性、生存期和退化模型。您如何知道要使用哪个模型?这取决于你知道多少。您的数据是否捕捉到了从健康状态到故障的降级,或者您只有来自故障时间的数据,或者您有介于两者之间的数据,但知道不应该超过的安全阈值?
现在我们将使用一个飞机引擎的例子来更好地理解这些估计器模型是如何工作的。然后,利用同样的例子,我们将更详细地讨论相似模型,并查看一个RUL预测的仿真结果。
假设这是我们的引擎,它已经运行了20次。我们要算出的是,在零件需要修理或更换之前,引擎还能飞行多少次。这是来自同一类型引擎的车队的数据。如果我们没有来自舰队的完整历史,只有失败数据,那么我们可以使用生存模型来估计RUL。我们知道飞行了多少次之后有多少引擎失灵了,我们也知道引擎运行了多少次。生存模型使用这些数据的概率分布来估计剩余的有用寿命。
在某些情况下,无法从类似的机器获得故障数据。但是我们可能知道不应该越过安全阈值,因为这可能会导致失败。我们可以使用这个信息如下。我们可以将退化模型适合于条件指示器,它使用来自我们的引擎的过去的信息来预测条件指示器在未来将如何变化。通过这种方法,我们可以统计地估计在条件指示器越过阈值之前有多少个周期,这可以帮助我们估计剩余的使用寿命。
评估RUL的第三种常用方法是使用相似性模型。当我们有运行到故障的数据时,可以使用这些模型。这意味着我们拥有拥有相同类型引擎的舰队的完整历史。这包括来自健康状态、降级和故障的数据。
让我们总结到目前为止所讨论的内容:这是评估RUL的三种常见方法。如果你只有失败时间的数据,那么你可以使用生存模型。如果故障数据不可用,但您知道安全阈值,则可以使用降级模型。如果您有来自类似机器的完整历史,那么您可以使用相似模型来估计RUL。
接下来,我们将更详细地讨论其中的一种技术——相似性模型——以便让您直观地了解RUL预测是如何执行的。正如您在前面的视频中所记得的,预测性维护工作流的第一步是收集数据。在这里的例子中,我们将使用NASA数据仓库中公开的预后和健康管理挑战数据集。这个数据集包括来自218个不同引擎的完整历史,其中每个引擎数据包含来自21个传感器的测量值。这些是传感器,如燃料流量,温度和压力,放置在发动机的不同位置,提供测量控制系统和监测发动机的健康。这是所有引擎的传感器测量结果。在图中,x轴表示循环或飞行的次数,而y值表示每次飞行的平均传感器值。每个引擎都以健康的状态启动并以失败告终。
这些数据来自其中一个传感器,但是记住我们还有20多个传感器。因此,这是一个很大的数据集。如果我们仔细观察其他传感器读数,我们会发现,其中一些测量数据并没有显示出健康状态和故障之间的显著变化趋势。因此,它们不会有助于选择有用的特征来训练相似模型。因此,在预处理步骤中,只选择最具趋势的传感器并将它们组合在一起来计算条件指标,从而进行数据约简。在本视频中,我们不打算讨论这些步骤中执行的计算,但是您可以查看视频描述中给出的链接,了解更多关于不同数据约简技术的信息。
现在我们有了所有引擎的退化概况,下一步是使用这些轨迹训练一个相似模型,并估计引擎的剩余使用寿命。这个动画向我们展示了如何执行这个训练。让我们暂停一下,讨论一下不同颜色的含义。黄色的配置文件表示我们的引擎,我们希望为其估计剩余的使用寿命。在目前的时间,发动机是在60循环。相似模型首先找到与我们的引擎最接近的引擎配置文件,直到当前循环。由于我们的引擎与这些引擎相似,它们可以让我们了解引擎的预期故障时间,因为我们已经知道了它们的故障时间,我们可以使用这些数据来拟合概率分布,如图所示。这个分布的中位数给出了我们对引擎剩余寿命的估计。注意,原始数据集被分成两个部分,我们使用其中较大的部分来训练相似模型,其余部分用来测试训练后的模型。这意味着我们已经知道了我们的引擎的实际规则,这将帮助我们评估训练后的模型的准确性。
让我们播放剩下的动画。正如我们刚才所讨论的,在每个迭代中,相似性模型找到最接近的路径(以绿色显示),并使用概率分布图计算RUL。在这个图中,橙色的线表示预测的RUL,黑色的线表示实际的RUL。我们在这里注意到的是,随着时间的推移,相似模型从我们的引擎中获得越来越多的飞行数据,预测的飞行参数越接近实际的飞行参数。如果我们回到动画的开始,我们会看到从我们的引擎提供给模型的数据只有这么多,而预测值与真实值相差40个周期。在上面的图中,我们看到最近的路径分布很广。然而,当我们从引擎中获得新数据时,我们用更大的数据集训练相似模型。因此,预测精度会随着时间的推移而提高。我们观察到最近的路径变得更加集中,并且预测的RUL开始向实际的RUL收敛。当我们越来越接近其他引擎的预期故障时间时,我们可能会考虑在这个时候对该引擎进行维护。
在本视频中,我们讨论了评估剩余使用寿命的三种常见方法,并使用了一个飞机引擎示例来训练相似性模型。查看视频描述中的链接,了解更多关于如何使用MATLAB和Simulink开发预测维护算法的信息。万博1manbetx
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站表现。其他MathWorks国家站点不适合来自您所在位置的访问。
这个网站使用cookies来改善你的用户体验,个性化内容和广告,并分析网站流量。继续使用本网站,即表示您同意我们使用cookies。请参阅我们的隐私政策了解更多关于cookies和如何更改您的设置。