pairwiseSimilarityModel

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

Описание

Используйте pairwiseSimilarityModel 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 динамической трансформации временной шкалы.

Сконфигурировать pairwiseSimilarityModel объект, 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

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 pairwiseSimilarityModel объект initModel.

пример

mdl = pairwiseSimilarityModel(___,Name,Value) задает устанавливаемые пользователем свойства модели 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 pairwiseSimilarityModel объект.

Свойства

развернуть все

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

  • "correlation" — Измерьте расстояние с помощью корреляции

  • "dtw" — Вычислите расстояние с помощью динамической трансформации временной шкалы. Для получения дополнительной информации смотрите dtw.

Можно задать Method:

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

  • Используя запись через точку после создания модели

Формула расстояния для "dtw" метод расчета расстояния, заданный как одно из следующего:

  • "euclidian" — Используйте 2-норму различия между остаточными значениями.

  • "absolute" — Используйте 1 норму различия между остаточными значениями.

Можно задать Distance:

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

  • Используя запись через точку после создания модели

Пожизненный промежуток исторических данных для вычислительного подобия, заданного как положительная скалярная величина или duration объект. 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 создания модели

Исключение члена ансамбля определения фактора управляет для расчета 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 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 создания модели

Это свойство доступно только для чтения.

Продолжительности жизни члена ансамбля, заданные как двойной вектор или duration возразите вектору и вычисленный из профилей ухудшения члена ансамбля fit функция.

Количество самых близких соседей к оценке RUL, заданной как Inf или конечное положительное целое число. Если NumNearestNeighbors isinf, затем predictRUL использование все члены ансамбля во время оценки.

Можно задать NumNearestNeighbors:

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

  • Используя запись через точку после создания модели

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

Можно задать IncludeTies:

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

  • Используя запись через точку после создания модели

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

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

Когда Standardize 'time-varying', данные о функции стандартизированы таким образом, которым функция 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 создания модели

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

Когда вы обучаете модель с помощью fit функция, если ваши обучающие данные 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 fit функция

  • Используя запись через точку после создания модели

Пожизненные переменные модули, заданные как строка.

Модули пожизненной переменной не должны быть основаны на времени. Жизнь тестового компонента может быть измерена в терминах 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 допустимые имена переменной MATLAB.

Можно задать DataVariables:

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

  • В качестве аргумента, когда вы вызываете fit функция

  • Используя запись через точку после создания модели

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

Можно задать UseParallel:

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

  • Используя запись через точку после создания модели

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 создания модели

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 обучающие данные.

load('pairwiseTrainVectors.mat')

Обучающие данные 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 обучающих данных.

fit(mdl,pairwiseTrainVectors)

Загрузите обучающие данные.

load('pairwiseTrainTables.mat')

Обучающие данные являются массивом ячеек таблиц. Каждая таблица является профилем функции ухудшения для компонента. Каждый профиль состоит из пожизненных измерений в "Time" переменное и соответствующее ухудшение показывает измерения в "Condition" переменная.

Создайте попарную модель подобия, которая вычисляет расстояние с помощью динамической трансформации временной шкалы с абсолютной метрикой расстояния.

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

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

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

Загрузите обучающие данные.

load('pairwiseTrainTables.mat')

Обучающие данные являются массивом ячеек таблиц. Каждая таблица является профилем функции ухудшения для компонента. Каждый профиль состоит из пожизненных измерений в "Time" переменное и соответствующее ухудшение показывает измерения в "Condition" переменная.

Создайте попарную модель подобия, которая вычисляет расстояние с помощью динамической трансформации временной шкалы с абсолютной метрикой расстояния и использует часы в качестве пожизненного модуля.

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

Обучите модель подобия использование обучающих данных. 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