pairwiseSimilarityModel

Попарная основанная на сравнении модель подобия для оценки остающегося срока полезного использования

Описание

Используйте pairwiseSimilarityModel, чтобы оценить остающийся срок полезного использования (RUL) компонента с помощью попарной основанной на сравнении модели подобия. Эта модель сравнивает профиль ухудшения тестового компонента непосредственно к историям пути к ухудшению для ансамбля подобных компонентов, таким как несколько машин, произведенных к тем же спецификациям. Подобие тестового компонента членам ансамбля является функцией расстояния между профилем ухудшения и профилем участника ансамбля, который вычисляется с помощью корреляции или динамическое время, деформируясь.

Чтобы сконфигурировать объект pairwiseSimilarityModel, используйте fit. Если вы конфигурируете параметры своей модели подобия, можно затем предсказать остающийся срок полезного использования подобных компонентов с помощью predictRUL. Для моделей подобия RUL тестового компонента оценивается как средняя статистическая величина пожизненного промежутка самых подобных компонентов минус текущее пожизненное значение тестового компонента. Для основного примера, иллюстрирующего прогноз RUL, смотрите Обновление Прогноз RUL, когда Данные Прибывают.

Для получения общей информации о предсказании остающегося срока полезного использования см. Модели для Предсказания Остающегося Срока полезного использования.

Создание

Синтаксис

mdl = pairwiseSimilarityModel
mdl = pairwiseSimilarityModel(initModel)
mdl = pairwiseSimilarityModel(___,Name,Value)

Описание

пример

mdl = pairwiseSimilarityModel создает попарную основанную на сравнении модель подобия для оценки RUL и инициализирует модель с настройками по умолчанию.

mdl = pairwiseSimilarityModel(initModel) создает попарную основанную на сравнении модель подобия и инициализирует параметры модели с помощью существующего объекта pairwiseSimilarityModel initModel.

пример

mdl = pairwiseSimilarityModel(___,Name,Value) задает устанавливаемые пользователем образцовые свойства с помощью пар "имя-значение". Например, hashSimilarityModel('LifeTimeUnit',"days") создает попарную основанную на сравнении модель подобия, которая использует дни в качестве пожизненного модуля. Можно задать несколько пар "имя-значение". Заключите каждое имя свойства в кавычки.

Входные параметры

развернуть все

Попарная основанная на сравнении модель подобия, заданная как объект pairwiseSimilarityModel.

Свойства

развернуть все

Метод вычисления расстояния временных рядов, заданный как одно из следующего:

  • Корреляция Измерьте расстояние с помощью корреляции

  • "dtw" — Вычислите расстояние с помощью динамического времени, деформируясь. Для получения дополнительной информации смотрите dtw.

Можно задать Method:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Формула расстояния для метода вычисления расстояния "dtw", заданного как одно из следующего:

  • "euclidian" — Используйте 2-норму различия между невязками.

  • "absolute" — Используйте 1 норму различия между невязками.

Можно задать Distance:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Пожизненный промежуток исторических данных для вычислительного подобия, заданного как положительная скалярная величина или объект duration. Когда вычислительное подобие, модель использует исторические данные со времени жизни (t-HistorySpan) к пожизненному t, где t является текущим временем жизни.

Можно задать HistorySpan:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Исключение члена ансамбля определения фактора управляет для вычисления подобия, заданного как скаляр от 0 до 1. WithinRangeRatio используется, когда длина тестовых данных и длина данных члена ансамбля не соответствуют, который происходит около значений конца времени жизни исторических данных. Когда WithinRangeRatio является 1, затем нет никакого исключения членов ансамбля.

Предположим, что длиной более коротких данных является P, и длиной более длинных данных является Q. Затем тест подобия выполняется только если Q (1-WithinRangeRatio) <= P <= Q. В противном случае член ансамбля проигнорирован.

Можно задать WithinRangeRatio:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Это свойство доступно только для чтения.

Продолжительности жизни члена ансамбля, заданные как двойной вектор или вектор объекта duration и вычисленный из ухудшения члена ансамбля, профилируют функцией fit.

Количество самых близких соседей к оценке RUL, заданной как Inf или конечное положительное целое число. Если NumNearestNeighbors является Inf, то predictRUL использует всех членов ансамбля во время оценки.

Можно задать NumNearestNeighbors:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Отметьте, чтобы включать связи, заданные как true или false. Когда IncludeTies является true, модель включает всех соседей, расстояние которых до тестовых данных о компоненте является меньше, чем K th наименьшее расстояние, где K равен NumNearestNeigbors.

Можно задать IncludeTies:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Отметьте для стандартизации данных о функции перед вычислительным расстоянием, заданным как true, false или 'time-varying'.

То, когда Standardize является true, данные о функции стандартизированы таким образом, которые показывают X, становится (X-mean(X))/std(X).

То, когда Standardize является 'time-varying', данные о функции стандартизированы таким образом, которые показывают X (t), становится (X (t)-M (t)) / S (t). Здесь, M (t) и S (t) запускает оценки среднего и стандартного отклонения данных.

Можно задать Standardize:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Пожизненная переменная, заданная как строка, которая содержит допустимое имя переменной MATLAB® или "".

Когда вы обучаете модель с помощью функции fit, если данные тренировки являются a:

  • table, затем LifeTimeVariable должен совпадать с одними из имен переменных в таблице

  • timetable, затем LifeTimeVariable одни из имен переменных в таблице или имени размерности переменной времени, data.Properties.DimensionNames{1}

Можно задать LifeTimeVariable:

  • Используя пару "имя-значение", когда вы создаете модель

  • В качестве аргумента, когда вы вызываете функцию fit

  • Используя запись через точку после образцового создания

Пожизненные переменные модули, заданные как строка.

Модули пожизненной переменной не должны быть основаны на времени. Жизнь тестового компонента может быть измерена с точки зрения переменной использования, такой как расстояние переместился (мили) или топливо, использованное (галлоны).

Имена переменных ухудшения, заданные как массив строк или массив строк. Строки в DataVariables должны быть допустимыми именами переменной MATLAB.

Можно задать DataVariables:

  • Используя пару "имя-значение", когда вы создаете модель

  • В качестве аргумента, когда вы вызываете функцию fit

  • Используя запись через точку после образцового создания

Отметьте для использования параллельных вычислений для поиска ближайшего соседа, заданного или как true или как false.

Можно задать UseParallel:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Дополнительная информация модели в бухгалтерских целях, заданных как любой тип данных или формат. Модель не использует эту информацию.

Можно задать UserData:

  • Используя пару "имя-значение", когда вы создаете модель

  • Используя запись через точку после образцового создания

Функции объекта

predictRULОцените остающийся срок полезного использования для тестового компонента
fitОцените параметры остающейся модели срока полезного использования, использующей исторические данные
compareСравните тестовые данные с ансамблем исторических данных для моделей подобия

Примеры

свернуть все

Загрузите данные тренировки.

load('pairwiseTrainVectors.mat')

Данные тренировки являются массивом ячеек вектор-столбцов. Каждый вектор-столбец является профилем функции ухудшения для компонента.

Создайте попарную модель подобия с настройками по умолчанию.

mdl = pairwiseSimilarityModel;

Обучите модель подобия использование данных тренировки.

fit(mdl,pairwiseTrainVectors)

Загрузите данные тренировки.

load('pairwiseTrainTables.mat')

Данные тренировки являются массивом ячеек таблиц. Каждая таблица является профилем функции ухудшения для компонента. Каждый профиль состоит из пожизненных измерений в переменной "Time" и соответствующих измерений функции ухудшения в переменной "Condition".

Создайте попарную модель подобия, которая вычисляет расстояние с помощью динамического времени, деформируясь с абсолютной метрикой расстояния.

mdl = pairwiseSimilarityModel('Method',"dtw",'Distance',"absolute");

Обучите модель подобия использование данных тренировки. Задайте имена времени жизни и переменных данных.

fit(mdl,pairwiseTrainTables,"Time","Condition")

Загрузите данные тренировки.

load('pairwiseTrainTables.mat')

Данные тренировки являются массивом ячеек таблиц. Каждая таблица является профилем функции ухудшения для компонента. Каждый профиль состоит из пожизненных измерений в переменной "Time" и соответствующих измерений функции ухудшения в переменной "Condition".

Создайте попарную модель подобия, которая вычисляет расстояние с помощью динамического времени, деформируясь с абсолютной метрикой расстояния и использует часы в качестве пожизненного модуля.

mdl = pairwiseSimilarityModel('Method',"dtw",'Distance',"absolute",'LifeTimeUnit',"hours");

Обучите модель подобия использование данных тренировки. Задайте имена времени жизни и переменных данных.

fit(mdl,pairwiseTrainTables,"Time","Condition")

Загрузите данные о тестировании. Тестовые данные содержат измерения функции ухудшения для тестового компонента до текущего времени жизни.

load('pairwiseTestData.mat')

Предскажите RUL тестового компонента использование обученной модели подобия.

estRUL = predictRUL(mdl,pairwiseTestData)
estRUL = duration
   93.671 hr

Предполагаемый RUL для компонента составляет приблизительно 94 часа.

Расширенные возможности

Введенный в R2018a

Для просмотра документации необходимо авторизоваться на сайте