Когда у вас есть идентифицированная динамическая модель, которая описывает некоторый аспект поведения системы, можно использовать ту модель, чтобы предсказать будущее поведение. Можно идентифицировать такую динамическую модель от системных данных. Или, если у вас есть системные данные, которые представляют работу ваших машин со временем или использованием, можно извлечь индикаторы состояния от тех данных и отследить поведение индикаторов состояния со временем или использованием. Можно затем идентифицировать модель, которая описывает поведение индикатора состояния, и используйте ту модель, чтобы предсказать будущие значения индикатора состояния. Если вы знаете, например, что ваша система нуждается в ремонте, когда некоторый индикатор состояния превышает некоторый порог, можно идентифицировать модель эволюции времени того индикатора состояния. Можно затем распространить модель вперед вовремя, чтобы определить, какой длины это будет, прежде чем индикатор состояния достигает порогового значения.
Некоторые функции, которые можно использовать для идентификации динамических моделей, включают:
ssest — Оцените модель в пространстве состояний от данных ввода - вывода временного интервала или данных частотной характеристики.
arx, armax, ar — Оцените авторегрессивное или скользящее среднее значение (AR или ARMA) модель от данных timeseries.
nlarx — Нелинейное поведение модели с помощью динамических средств оценки нелинейности, таких как сети вейвлета, разделение дерева и сигмоидальные сети.
Можно использовать функции как forecast, чтобы предсказать будущее поведение идентифицированной модели. Мониторинг состояния в качестве примера и Предзнаменования Используя Сигналы Вибрации используют этот подход к прогнозу RUL.
Существуют также рекурсивные средства оценки, которые позволяют вам соответствовать моделям в режиме реального времени, как вы собираете и обрабатываете данные, такие как recursiveARX и recursiveAR.
Оценка RUL со средствами оценки состояния, такими как unscentedKalmanFilter, extendedKalmanFilter и particleFilter работает похожим способом. Вы выполняете оценку состояния на некоторых изменяющихся во времени данных и предсказываете значения будущего состояние, чтобы определить время, пока некоторое значение состояния, сопоставленное с отказом, не происходит.