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。RUL预测可以让您了解您的机器什么时候会故障,这样您就可以提前安排维护。
您将了解最常见的RUL估计器模型:相似性、生存和退化。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。如果没有可用的故障数据,但是您知道安全阈值,那么您可以使用降级模型。视频给出了所有这些模型的概述,然后讨论这些技术之一-相似性模型-更详细地与一个飞机引擎的例子。
看看下面的这个视频中提到的数据缩减技术的例子:
预测维护的目标之一是估计剩余的有用寿命,简称RUL。在这个视频中,我们将学习什么是RUL并讨论估计RUL的三种常用方法。在这里,我们看到机器随着时间的推移而老化。如果这是机器的当前运行状况,那么剩余的有用寿命将计算为该点到故障之间的时间。根据您的系统,这个时间段可以用天、英里、循环或任何其他数量表示。
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?
现在我们将使用一个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,使用相同的例子,我们将更详细地讨论相似模型,并查看RUL预测的模拟结果。
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。
让我们总结一下到目前为止所讨论的内容:这是估计RUL的三种常用方法。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。如果没有可用的故障数据,但是您知道安全阈值,那么您可以使用降级模型。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这些技术之一——相似模型——让您直观地了解RUL预测是如何执行的。您将从前面的视频中记得,预测性维护工作流的第一步是收集数据。对于我们这里的示例,我们将使用美国宇航局数据存储库中公开的预测和健康管理挑战数据集。该数据集包括218个不同引擎的完整历史,其中每个引擎数据包含来自21个传感器的测量数据。这些传感器如燃料流量、温度和压力,被放置在发动机的不同位置,为控制系统提供测量数据,并监测发动机的健康状况。这是如何这些传感器测量看起来像所有的引擎。在图中,x轴显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。每个引擎都在健康状态下启动,并以故障告终。
这些数据来自其中一个传感器,但记住我们还有20多个传感器。所以,这是一个很大的数据集。如果我们仔细看看其他传感器的读数,我们会发现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,它们不会帮助选择有用的特征来训练一个相似度模型。因此,在预处理步骤中,通过选择最具趋势的传感器并将它们结合起来计算条件指标来进行数据约简。在这段视频中,我们不打算讨论在这些步骤中执行的计算,但是你可以查看视频描述中给出的链接来了解更多关于不同数据简化技术的内容。
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,并估计我们的引擎的剩余使用寿命。这个动画向我们展示了这个训练是如何执行的。让我们暂停一下,来讨论不同的颜色意味着什么。黄色配置文件表示我们希望估计其剩余使用寿命的引擎。目前,发动机的循环次数为60次。相似性模型首先找到当前循环中与我们的引擎最接近的引擎配置文件。由于我们的引擎和这些引擎的恶化情况相似,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这里看到的概率分布。这个分布的中位数给了我们引擎剩余的有用寿命估计值。请注意,原始数据集被分成了两个部分,其中我们使用较大的一部分来训练一个相似模型,其余部分用于测试训练后的模型。这意味着我们已经知道了引擎的实际RUL,这将帮助我们评估训练过的模型的准确性。
让我们播放剩下的动画。正如我们刚才所讨论的,在每次迭代时,相似模型会找到用绿色表示的最近路径,并使用概率分布图计算RUL。在这个图上,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相似模型从我们的引擎得到越来越多的飞行数据,预测的RUL越来越接近实际的RUL。如果我们倒带到动画的开始,我们会看到从我们的引擎输入到模型的数据只有这么多,并且预测距离真实值有40个周期。在上面的图中,我们可以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,我们会使用更大的数据集来训练相似度模型。因此,预测的准确性会随着时间的推移而提高。我们观察到,最接近的路径变得更加集中,预测的RUL开始向实际RUL收敛。我们可能会考虑安排维护这台发动机的某个时间,因为我们越来越接近其他发动机的预期故障时间。
在这段视频中,我们讨论了三种估计剩余使用寿命的常用方法,并使用一个飞机引擎的例子来训练一个相似模型。有关如何使用MATLAB和Simulink开发预测维护算法的更多信息,请查看视频描述中给出的链接。万博1manbetx
您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)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。