主要内容

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

全部展开

单调性 量化条件指标的单调趋势
prognosability 测量失效状态指标的可变性
trendability 测量状态指示器轨迹之间的相似性

荷重软化模型

exponentialDegradationModel 估计剩余使用寿命的指数退化模型
linearDegradationModel 估计剩余使用寿命的线性退化模型
hashSimilarityModel 估计剩余使用寿命的散列特征相似度模型
pairwiseSimilarityModel 基于两两比较的相似度模型估计剩余使用寿命
residualSimilarityModel 基于剩余比较的相似度模型估计剩余使用寿命
covariateSurvivalModel 估计剩余使用寿命的比例危险生存模型
reliabilitySurvivalModel 估计剩余使用寿命的概率失效时间模型

训练与预测

predictRUL 估算测试组件的剩余使用寿命
比较 比较测试数据和历史数据集合的相似性模型
适合 利用历史数据估计剩余使用寿命模型参数
情节 图生存函数为协变量生存剩余有用寿命模型
重新启动 重置剩余使用寿命退化模型
更新 更新退化剩余使用寿命模型的后验参数分布

主题

基本的原则

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

利用人工智能进行预测

Baidu
map