预测剩余使用寿命
使用专门设计用于从系统数据、状态估计器或识别模型计算RUL的模型来预测RUL
通常,您可以通过开发一个模型来估计系统的剩余使用寿命(RUL),该模型可以根据时间演化或条件指示器值的统计特性进行估计。来自这些模型的预测是带有相关不确定性的统计估计。它们提供了测试机器RUL的概率分布。
您使用的模型可以是动态模型,例如使用System Identification Toolbox™命令获得的模型。预测性维护工具箱™还包括一些专门的模型,用于根据不同类型的测量系统数据计算RUL。有关可使用的模型类型的概述,请参见剩余使用寿命预测模型.
在确定有希望的条件指标后,算法设计过程的下一步是开发RUL预测模型。因为您开发的模型使用条件指示值的时间演变来预测RUL,所以这个步骤通常与识别条件指示值的步骤一起迭代。
功能
主题
基本的原则
- 剩余使用寿命预测模型
您可以使用递归模型、识别模型或状态估计器来预测剩余使用寿命(RUL)。还有专门设计用于从系统数据计算RUL的模型。
- 剩余使用寿命预测的特征选择
对特征进行排序,以确定系统退化的最佳指标,并提高剩余使用寿命(RUL)预测的准确性。 - 使用诊断特征设计器对退化系统进行预后特征排序
这个例子展示了如何将退化系统中的数据分割成帧,执行基于帧的处理和特征提取,并在诊断特征设计器中使用预后排序。
使用RUL模型进行预测
- 当数据到达时更新RUL预测
当数据来自被测机器时,您可以用每个新的数据点更新RUL预测。 - 基于相似度的剩余使用寿命估计
从预处理、选择可趋势特征、通过传感器融合构建健康指标、训练相似度RUL估计器和验证预后,构建完整的剩余有用寿命(RUL)估计算法。 - 风力机高速轴承预测
建立指数退化模型,实时预测风电轴承的剩余使用寿命(RUL)。指数退化模型基于参数先验和最新的测量结果对RUL进行预测。
使用已识别的模型或状态估计器进行预测
- 退化电池系统的非线性状态估计
在Simulink中使用unscented卡尔曼滤波器估计非线性系统的状态。 - 使用振动信号的状态监测和预测
从滚珠轴承的振动信号中提取特征,进行健康监测并执行预测。
利用人工智能进行预测
- 从初始运行数据预测电池循环寿命
使用监督机器学习算法预测快速充电锂离子电池的剩余循环寿命。 - 基于卷积神经网络的剩余使用寿命估计
这个例子展示了如何使用深度卷积神经网络(CNN)预测引擎的RUL。 - 利用深度学习预测电池循环寿命
通过训练深度神经网络预测快速充电锂离子电池的剩余循环寿命。