从系列中:预测性维护
梅尔达·乌鲁索伊,数学工程
预测性维护可以让你估计你的机器的剩余使用寿命(RUL)。RUL预测为您提供有关当您的机器就会失败,所以你可以提前安排维护的见解。
您将了解最常见的RUL估计模型:相似性、生存和退化。当你有相似机器的完整历史时,你可以使用相似模型来估计RUL。然而,如果你只有失败时的数据,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。视频概述了所有这些模型,然后以飞机发动机为例详细讨论了其中一种技术——相似模型。
看看下面的这个视频中提到的数据缩减技术的例子:
其中一个预测性维护的目标是估计剩余使用寿命,或RUL短。在这段视频中,我们要学习RUL是什么,讨论了估计RUL三种常用的方法。在这里,我们看到了一个机器随时间的恶化。如果这是一台机器的当前运行状况,那么剩余使用寿命计算为这点与失败之间的时间。根据系统的不同,这个时间段可以在天,英里,周期,或任何其他数量上表示。
有估计RUL三种常用的方法:相似性,生存和退化模型。你怎么知道哪个型号使用?这真的取决于你知道多少。请问您的数据采集降解从健康状态到故障,或者你只有从失败的时间数据,或者你有介于两者之间的东西,但知道不应该超过安全阈值?
现在,我们要使用的飞机发动机例子来更好地理解这些估计模型是如何工作的。然后,使用相同的例子中,我们将更加详细,并期待讨论的相似模型在预测RUL的模拟结果。
比方说,这是我们的发动机,它已经运行了20个航班。我们要弄清楚什么是多少航班发动机可以操作,直到它的零件需要修理或更换。这是从具有相同类型的发动机的车队数据。如果我们没有从车队的完整历史,但只有在发生故障的数据,那么我们可以用生存模型来估算RUL。我们知道有多少引擎有多少航班后失败了,我们也知道,发动机有多少航班投入运营。生存模式使用该数据的概率分布来估计剩余使用寿命。
在某些情况下,没有失败的数据可以从类似的机器。但是,我们可以有一个关于不应逾越,因为这可能导致故障安全阈值的知识。我们可以按如下方式使用这些信息。我们可以适应退化模型工况指示器,它采用了过去的信息从我们的引擎来预测条件指标将如何改变未来。通过这种方式,我们可以统计估计有多少次有直到条件指标超过阈值,这有助于我们估计剩余使用寿命。
估计RUL第三种常见的方法是使用相似的模型。当我们已经运行到出现故障的数据使用这些模型。这意味着,我们有完整的历史从与同类型发动机的车队。这包括从健康的状态,退化和故障数据。
让我们结束了我们到目前为止讨论:这些都是估算RUL的三种常用的方法。如果你只从失败的时候有数据,那么你可以使用生存模型。如果故障数据不可用,但你有一个安全阈值的知识,你可以使用降解模型。如果你有相似的机器完整的历史,那么你可以使用相似的模型来估算RUL。
接下来,我们将更详细地讨论这些技术中的一种,即相似模型,让您直观地了解RUL预测是如何执行的。正如您将从以前的视频中记住的,预测性维护工作流的第一步是收集数据。在这里的例子中,我们将使用美国宇航局数据仓库中公开的预测和健康管理挑战数据集。该数据集包括来自218个不同发动机的完整历史,其中每个发动机数据包含来自21个传感器的测量。这些传感器如燃油流量、温度和压力,放置在发动机的不同位置,为控制系统提供测量值并监测发动机的健康状况。以下是所有发动机的传感器测量结果。在图上,x轴显示循环或飞行次数,而y值表示每个飞行的平均传感器值。每台发动机在正常状态下起动,并以故障结束。
这些数据来自其中一个传感器,但请记住我们还有20个传感器。所以,这是一个大数据集。如果我们仔细观察其他传感器的读数,我们会发现其中一些测量结果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用于训练相似模型的有用特征。因此,在预处理步骤中,只选择最有趋势的传感器,并将它们组合起来计算条件指标,从而进行数据简化。在本视频中,我们将不讨论在这些步骤中执行的计算,但您可以查看视频描述中给出的链接,以了解有关不同数据缩减技术的更多信息。
现在,我们有所有引擎的降解曲线,下一步是要培养使用这些轨迹的相似性模型,并估计剩余我们的发动机的使用寿命。该动画演示了我们如何进行这种训练。让我们暂停此为第二个讨论什么不同颜色的含义。黄色曲线代表了我们的引擎,我们要估计剩余使用寿命。在当前时间,发动机是在60个周期。相似模型首先找到最接近的引擎配置文件,以我们的引擎上升到目前的周期。由于我们的引擎恶化类似于这些引擎,他们可以给我们介绍一下我们的发动机的预期故障时间的想法,因为我们已经知道了自己的失败倍,我们可以用这个数据作为这里看到适合的概率分布。这种分布的中位数为我们提供了我们的发动机的剩余使用寿命的估计。需要注意的是原始数据集被分成两个,在这里我们使用它的较大部分训练的相似模型,其余检验训练的模型。这意味着我们已经知道我们的引擎真实RUL稍后将帮助我们评估了训练模型的准确性。
让我们播放动画的其余部分。正如我们刚才讨论的,在每次迭代的相似模型发现,显示为绿色,并计算使用的概率分布图的RUL最接近的路径。在该图中,橙色线显示了预测RUL和黑线显示真实RUL。我们这里需要注意的是,预测RUL更接近真实RUL作为相似度模型从我们的引擎随着时间的推移变得越来越飞行数据。如果我们倒退到动画的开始,我们看到,输送到从我们的引擎模型中的数据仅仅是这么多和预测是关闭与真值的40个循环。而就在上图,我们可以看到,最近的路径分布广泛。然而,当我们从我们的引擎获得新的数据,我们培养具有更大的数据集的相似性模型。由于这一结果,预测精度提高随时间。我们注意到,最近的路径变得更加集中,和预测的RUL开始收敛到实际的RUL。因为我们正在越来越接近其他引擎的预期故障时间,我们可能会考虑安排维护周边此时这台发动机的地方。
在这段视频中,我们已经谈到估计剩余使用寿命三种常用的方法和使用的飞机发动机例如用于训练的相似模型。看看在视频说明中给出的关于如何开发与MATLAB和Simulink预测维护算法的详细信息的链接。万博1manbetx
您还可以选择从下面的列表中的网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家/地区网站未针对您所在位置的访问进行优化。
本网站使用Cookies来改善您的用户体验,个性化的内容和广告,并分析网站流量。通过继续使用本网站,您同意我们使用Cookie。请参阅我们的隐私政策要了解更多关于cookie和如何更改设置。