Определите количество монотонного тренда в индикаторах состояния
возвращает монотонность пожизненных данных Y
= monotonicity(X
)X
. Используйте monotonicity
чтобы определить количество монотонного тренда в индикаторах состояния как, система развивается к отказу. Значения Y
лежите в диапазоне от 0 до 1, где Y
1 если X
является совершенно монотонным и 0 если X
является немонотонным.
Когда система прогрессивно становится ближе к отказу, подходящий индикатор состояния обычно имеет монотонный тренд. С другой стороны любой функцией с немонотонным трендом является менее подходящий индикатор состояния.
возвращает монотонность пожизненных данных Y
= monotonicity(X
,lifetimeVar
)X
использование пожизненной переменной lifetimeVar
.
возвращает монотонность пожизненных данных Y
= monotonicity(X
,lifetimeVar
,dataVar
)X
использование переменных данных задано dataVar
.
возвращает монотонность пожизненных данных Y
= monotonicity(X
,lifetimeVar
,dataVar
,memberVar
)X
использование пожизненной переменной lifetimeVar
, переменные данных заданы dataVar
, и переменная memberVar
члена.
оценивает монотонность с дополнительными опциями, заданными одним или несколькими Y
= monotonicity(___,Name,Value
)Name,Value
парные аргументы. Можно использовать этот синтаксис с любой из предыдущих комбинаций входных аргументов.
monotonicity(___)
без выходных аргументов строит столбчатую диаграмму оцениваемых значений монотонности.
Когда X
длинная таблица или длинное расписание, monotonicity
тем не менее, загружает полный массив в память с помощью gather
. Если доступная память является несоответствующей, то monotonicity
возвращает ошибку.
[1] Плоскодонная рыбачья лодка, J. и Дж. В. Хайнз. "Идентифицируя оптимальные предвещающие параметры из данных: подход генетических алгоритмов". В продолжениях ежегодной конференции предзнаменований и медицинского общества управления. 2009.
[2] Плоскодонная рыбачья лодка, J. "Объединяя источники данных, чтобы предсказать остающийся срок полезного использования - автоматизированный метод, чтобы идентифицировать параметры предзнаменований". Ph.D. Тезис. Университет Теннесси, Ноксвилла, TN, 2010.
[3] Леи, Y. Интеллектуальная диагностика отказа и остающееся предсказание срока полезного использования вращающегося машинного оборудования. Сиань, Китай: Сиань университетское издательство Цзяотуна, 2017.
[4] Lofti, S., Дж. Б. Али, Э. Бечхоефер и М. Бенбузид. "Ветряной двигатель высокоскоростной медицинский прогноз подшипников вала через спектральные Выведенные из эксцесса индексы и SVR". Прикладное Издание 120, 2017 Акустики, стр 1-8.