Загрузить данные обучения.

load('pairwiseTrainVectors.mat')

Обучающие данные представляют собой клеточный массив векторов столбцов. Каждый вектор столбца является профилем элемента деградации для компонента.

Создайте попарную модель подобия с настройками по умолчанию.

mdl = pairwiseSimilarityModel;

Обучение модели подобия с использованием данных обучения.

fit(mdl,pairwiseTrainVectors)

Загрузить данные наблюдения.

load('linTestData.mat','linTestData1')

В этом примере предположим, что данные обучения являются не историческими данными, а наблюдениями состояния компонента в реальном времени.

Основываясь на знании предельных значений признаков ухудшения, определите значение индикатора порогового условия, которое указывает окончание срока службы компонента.

threshold = 60;

Создайте модель линейного ухудшения произвольной предварительной модели распределения и заданную дисперсию шума. Кроме того, укажите время жизни и имена переменных данных для данных наблюдения.

mdl = linearDegradationModel('Theta',1,'ThetaVariance',1e6,'NoiseVariance',0.003,...
                             'LifeTimeVariable',"Time",'DataVariables',"Condition",...
                             'LifeTimeUnit',"hours");

Наблюдать за состоянием компонента для 50 часов, обновление модели деградации после каждого наблюдения.

for i=1:50
    update(mdl,linTestData1(i,:));
end

После 50 часов, предсказать значение RUL компонента, используя текущее значение срока службы, сохраненное в модели.

estRUL = predictRUL(mdl,threshold)

estRUL = duration
   50.301 hr

Расчетный RUL составляет около 50 часов, что указывает на общую прогнозируемую продолжительность жизни около 100 часов.

Загрузить данные обучения.

load('expTrainTables.mat')

Данные обучения представляют собой массив ячеек таблиц. Каждая таблица является профилем элемента деградации для компонента. Каждый профиль состоит из измерений срока службы в "Hours" измерения переменных и соответствующих признаков деградации в "Condition" переменная.

Создайте экспоненциальную модель ухудшения, задав единицы измерения переменных времени жизни.

mdl = exponentialDegradationModel('LifeTimeUnit',"hours");

Обучение модели деградации с использованием данных обучения. Укажите имена переменных времени жизни и данных.

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

Загрузка данных тестирования, которые являются профилем деградации при переходе к отказу для тестового компонента. Данные теста представляют собой таблицу с тем же временем жизни и переменными данных, что и данные обучения.

load('expTestData.mat')

Основываясь на знании предельных значений признаков ухудшения, определите значение индикатора порогового условия, которое указывает окончание срока службы компонента.

threshold = 500;

Предположим, что индикатор условия компонента измеряется каждый час в течение 150 часов. Обновление обучаемой модели деградации с каждым измерением. Затем прогнозируют оставшийся срок службы компонента в течение 150 часов. Значение RUL - это прогнозируемое время, в течение которого функция ухудшения состояния будет проходить заданное пороговое значение.

for t = 1:150 
 update(mdl,expTestData(t,:)) 
end 
estRUL = predictRUL(mdl,threshold) 

estRUL = duration
   136.45 hr

Предполагаемый RUL составляет около 137 часов, что указывает на общую прогнозируемую продолжительность жизни 287 часов.

Загрузить данные обучения.

load('covariateData.mat')

Эти данные содержат время разряда батареи и соответствующую ковариатную информацию. Ковариатные переменные:

Информация об изготовителе является категориальной переменной, которая должна быть закодирована.

Создайте ковариатную модель выживания и обучайте ее, используя данные обучения.

mdl = covariateSurvivalModel('LifeTimeVariable',"DischargeTime",'LifeTimeUnit',"hours",...
   'DataVariables',["Temperature","Load","Manufacturer"],'EncodedVariables',"Manufacturer");
fit(mdl,covariateData)

Successful convergence: Norm of gradient less than OPTIONS.TolFun

Предположим, что у вас есть батарейный блок производства производителя B который был запущен для 30 часов. Создайте таблицу тестовых данных, содержащую время использования. DischargeTimeи измеренную температуру окружающей среды, TestAmbientTemperature, и нарисованный ток, TestBatteryLoad.

TestBatteryLoad = 25;
TestAmbientTemperature = 60; 
DischargeTime = hours(30);
TestData = timetable(TestAmbientTemperature,TestBatteryLoad,"B",'RowTimes',hours(30));
TestData.Properties.VariableNames = {'Temperature','Load','Manufacturer'};
TestData.Properties.DimensionNames{1} = 'DischargeTime';

Спрогнозировать значение RUL для батареи.

estRUL = predictRUL(mdl,TestData)

estRUL = duration
   38.337 hr

Постройте график функции выживания для ковариатных данных батареи.

plot(mdl,TestData)

Загрузить данные обучения.

load('reliabilityData.mat')

Эти данные являются вектором столбца duration объекты, представляющие время разряда батареи.

Создайте модель выживания надежности, указав переменную времени жизни и единицы времени жизни.

mdl = reliabilitySurvivalModel('LifeTimeVariable',"DischargeTime",'LifeTimeUnit',"hours");

Тренируйте модель выживания, используя данные обучения.

fit(mdl,reliabilityData)

Спрогнозировать срок службы нового компонента и получить функцию распределения вероятности для оценки.

[estRUL,ciRUL,pdfRUL] = predictRUL(mdl);

Постройте график распределения вероятностей.

bar(pdfRUL.RUL,pdfRUL.ProbabilityDensity)
xlabel('Remaining useful life (hours)')
xlim(hours([40 90]))

Улучшите представление распределения, предоставив количество ячеек и размер ячейки для прогнозирования.

[estRUL,ciRUL,pdfRUL] = predictRUL(mdl,'BinSize',0.5,'NumBins',500);
bar(pdfRUL.RUL,pdfRUL.ProbabilityDensity)
xlabel('Remaining useful life (hours)')
xlim(hours([40 90]))

Спрогнозировать значение RUL для компонента, работающего в течение 50 часов.

[estRUL,ciRUL,pdfRUL] = predictRUL(mdl,hours(50),'BinSize',0.5,'NumBins',500);
bar(pdfRUL.RUL,pdfRUL.ProbabilityDensity)
xlabel('Remaining useful life (hours)')
xlim(hours([0 40]))