В этом примере рассмотрите пожизненные данные 10 идентичных машин со следующими 6 потенциальными индикаторами состояния$$-$$постоянный, линейный, квадратичный, кубический, логарифмический, и периодический. machineDataCellArray.mat набора данных содержит C, который является массивом ячеек 1x10 матриц, где каждый элемент массива ячеек является матрицей, которая содержит пожизненные данные машины. Для каждой матрицы в массиве ячеек первый столбец содержит время, в то время как другие столбцы содержат переменные данных.

Загрузите пожизненные данные и визуализируйте их по времени.

load('machineDataCellArray.mat','C')
display(C)

C = 1x10 cell array
  Columns 1 through 4

    {219x7 double}    {189x7 double}    {202x7 double}    {199x7 double}

  Columns 5 through 8

    {229x7 double}    {184x7 double}    {224x7 double}    {208x7 double}

  Columns 9 through 10

    {181x7 double}    {197x7 double}

for k = 1:length(C)
    plot(C{k}(:,1), C{k}(:,2:end));
    hold on;
end

Наблюдайте 6, отличающиеся постоянный индикаторами состояния, линейный, квадратичный, кубический, логарифмический, и периодический – для всех 10 машин на графике.

Визуализируйте prognosability потенциальных индикаторов состояния.

prognosability(C)

Из графика гистограммы заметьте, что функции Var2, Var4 и Var5 занимают место лучше, чем другие. Следовательно, эти функции более подходят для остающихся прогнозов срока полезного использования, поскольку они - лучшие индикаторы здоровья машины.

В этом примере рассмотрите пожизненные данные 10 идентичных машин со следующими 6 потенциальными индикаторами состояния$$-$$постоянный, линейный, квадратичный, кубический, логарифмический, и периодический. machineDataTable.mat набора данных содержит T, который является массивом ячеек 1x10 таблиц, где каждый элемент массива ячеек содержит таблицу пожизненных данных для машины.

Загрузите и отобразите данные.

load('machineDataTable.mat','T');
display(T)

T = 1x10 cell array
  Columns 1 through 4

    {219x7 table}    {189x7 table}    {202x7 table}    {199x7 table}

  Columns 5 through 8

    {229x7 table}    {184x7 table}    {224x7 table}    {208x7 table}

  Columns 9 through 10

    {181x7 table}    {197x7 table}

head(T{1},2)

ans=2×7 table
    Time    Constant    Linear    Quadratic    Cubic     Logarithmic    Periodic
    ____    ________    ______    _________    ______    ___________    ________

       0     3.2029     11.203     7.7029      3.8829      2.2517        0.2029 
    0.05     2.8135     10.763     7.2637      3.6006      1.8579       0.12251 

Обратите внимание на то, что каждая таблица в массиве ячеек содержит пожизненную переменную 'Time' и переменные данных 'Constant', 'Linear', 'Quadratic', 'Cubic', 'Logarithmic' и 'Periodic'.

Вычислите prognosability с Time как пожизненная переменная.

Y = prognosability(T,'Time')

Y=1×6 table
    Constant    Linear     Quadratic     Cubic     Logarithmic    Periodic
    ________    _______    _________    _______    ___________    ________

    0.56697     0.92321     0.28044     0.85048      0.96475      0.33853 

Из результирующей таблицы prognosability значений заметьте, что линейные, кубические, и логарифмические функции имеют значения ближе к 1. Следовательно, эти три функции более подходят для предсказания остающегося срока полезного использования, поскольку они - лучшие индикаторы здоровья машины.

Рассмотрите пожизненные данные 4 машин. Каждая машина имеет 4 кода отказа для потенциальных индикаторов состояния$$-$$напряжение, текущее, и степень. prognosabilityEnsemble.zip является набором 4 файлов, где каждый файл содержит расписание пожизненных данных для каждой машины - tbl1.mat, tbl2.mat, tbl3.mat и tbl4.mat. Можно также использовать файлы, содержащие данные для нескольких машин. Для каждого расписания организация данных следующие:

Извлеките сжатые файлы, считайте данные в расписаниях и создайте объект fileEnsembleDatastore с помощью данных о расписании. Для получения дополнительной информации о создании datastore ансамбля файла смотрите fileEnsembleDatastore.

unzip prognosabilityEnsemble.zip;
ens = fileEnsembleDatastore(pwd,'.mat');
ens.DataVariables = {'Voltage','Current','Power','FaultCode','Machine'};
% Make sure that the function for reading data is on path
addpath(fullfile(matlabroot,'examples','predmaint','main')) 
ens.ReadFcn = @readtable_data;
ens.SelectedVariables = {'Voltage','Current','Power','FaultCode','Machine'};

Визуализируйте prognosability потенциальных индикаторов состояния с 'Machine' как членская переменная и сгруппируйте пожизненные данные 'FaultCode'. Группировка пожизненных данных гарантирует, что prognosability вычисляет метрику для каждого кода отказа отдельно.

prognosability(ens,'MemberVariable','Machine','GroupBy','FaultCode');

Starting parallel pool (parpool) using the 'local' profile ...
Connected to the parallel pool (number of workers: 12).
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 3.7 sec
Evaluation completed in 6.1 sec
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 2.2 sec
Evaluation completed in 2.8 sec
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 2.8 sec
Evaluation completed in 2.9 sec

prognosability возвращает график гистограммы с функциями, оцениваемыми их prognosability значениями. Более высокое prognosability значение указывает на более подходящий индикатор состояния. Например, функция кандидата Current имеет самую высокую степень prognosability для машин с FaultCode 1.

rmpath(fullfile(matlabroot,'examples','predmaint','main')) % Reset path