Toolbox™ предиктивного обслуживания включает в себя некоторые специализированные модели, предназначенные для вычисления RUL из различных типов измеряемых системных данных. Эти модели полезны при наличии исторических данных и информации, например:
Истории выполнения до отказа машин, подобных той, которую вы хотите диагностировать
Известное пороговое значение какого-либо индикатора условия, указывающего на отказ
Данные о том, сколько времени или сколько времени потребовалось для того, чтобы аналогичные машины достигли отказа (срок службы)
Модели оценки RUL обеспечивают методы обучения модели с использованием исторических данных и ее использования для выполнения прогнозирования оставшегося срока полезного использования. Термин срок службы здесь относится к сроку службы машины, определенной в терминах любого количества, которое вы используете для измерения срока службы системы. Аналогичным образом эволюция времени может означать эволюцию значения с использованием, пройденным расстоянием, количеством циклов или другой величиной, которая описывает срок службы.
Общий поток операций для использования моделей оценки RUL:
Выберите наилучший тип модели оценки RUL для имеющихся данных и системных знаний. Создайте и настройте соответствующий объект модели.
Выполните обучение модели оценки с использованием имеющихся исторических данных. Для этого используйте fit команда.
С помощью тестовых данных того же типа, что и исторические данные, оцените значение RUL тестового компонента. Для этого используйте predictRUL команда. Можно также рекурсивно использовать тестовые данные для обновления некоторых типов моделей, например моделей деградации, чтобы обеспечить точность прогнозов. Для этого используйте update команда.
Основной пример, иллюстрирующий эти шаги, см. в разделе Обновление прогноза RUL по мере поступления данных.
Существует три семейства моделей оценки RUL. Выберите семейство и модель для использования на основе имеющихся данных и системной информации, как показано на следующей иллюстрации.
Модели подобия основывают прогноз RUL тестовой машины на известном поведении аналогичных машин из исторической базы данных. Такие модели сравнивают тенденцию в тестовых данных или значениях индикаторов условий с той же информацией, извлеченной из других аналогичных систем.
Модели подобия полезны, когда:
Имеются данные о сбое из аналогичных систем (компонентов). Данные о сбое - это данные, которые начинаются во время нормальной работы и заканчиваются, когда машина находится в состоянии, близком к отказу или техническому обслуживанию.
Данные о сбое показывают сходное поведение при деградации. То есть данные изменяются каким-либо образом по мере ухудшения качества системы.
Таким образом, можно использовать модели подобия при получении профилей деградации из ансамбля данных. Профили деградации представляют эволюцию одного или нескольких индикаторов состояния для каждой машины в комплексе (каждого компонента), когда машина переходит из исправного состояния в неисправное состояние.
Набор инструментов предиктивного обслуживания включает три типа моделей подобия. Все три типа оценивают RUL, определяя сходство между историей деградации тестового набора данных и историей деградации наборов данных в ансамбле. Для моделей подобия, predictRUL оценивает значение RUL тестируемого компонента как средний срок службы большинства аналогичных компонентов за вычетом текущего срока службы тестируемого компонента. Эти три модели различаются в том, как они определяют и количественно определяют понятие сходства.
Модель сходства хешированных признаков (hashSimilarityModel) - Эта модель преобразует исторические данные деградации от каждого члена вашего ансамбля в фиксированный размер, сжатую информацию, такую как среднее, общая мощность, максимальные или минимальные значения или другие величины.
При звонке fit на hashSimilarityModel программа вычисляет эти хэшированные элементы и сохраняет их в модели подобия. При звонке predictRUL с помощью данных из тестового компонента программа вычисляет хэшированные элементы и сравнивает результат со значениями в таблице исторических хэшированных элементов.
Модель сходства хешированных элементов полезна при наличии больших объемов данных деградации, поскольку она уменьшает объем хранения данных, необходимый для прогнозирования. Однако его точность зависит от точности хеш-функции, которую использует модель. Если в данных определены индикаторы хорошего состояния, можно использовать Method имущества hashSimilarityModel , чтобы указать хеш-функцию для использования этих функций.
Модель парного сходства (pairwiseSimilarityModel- Оценка парного подобия определяет RUL путем нахождения компонентов, исторические пути деградации которых наиболее коррелированы с таковыми для тестируемого компонента. Другими словами, он вычисляет расстояние между различными временными рядами, где расстояние определяется как корреляция, динамическое искажение времени (dtw) или пользовательскую метрику, которую вы предоставляете. Принимая во внимание профиль деградации по мере его изменения во времени, оценка парного подобия может дать лучшие результаты, чем модель хеш-подобия.
Модель остаточного сходства (residualSimilarityModel) - Оценка на основе остаточных значений соответствует предыдущим данным модели, такой как модель ARMA или модель, которая является линейной или экспоненциальной во времени использования. Затем вычисляются остатки между данными, предсказанными из моделей ансамбля, и данными из тестового компонента. Модель остаточного подобия можно рассматривать как вариацию в парной модели подобия, где величины остатков являются метрикой расстояния. Подход остаточного подобия полезен, когда ваше знание системы включает форму для модели деградации.
Пример использования модели подобия для оценки RUL см. в разделе Оценка остаточного срока службы на основе подобия.
Модели деградации экстраполируют поведение в прошлом для прогнозирования будущего состояния. Этот тип расчета RUL соответствует линейной или экспоненциальной модели профилю деградации индикатора условия, учитывая профили деградации в ансамбле. Затем он использует профиль деградации тестируемого компонента для статистического вычисления оставшегося времени до тех пор, пока индикатор не достигнет некоторого заданного порога. Эти модели наиболее полезны при наличии известного значения индикатора состояния, указывающего на отказ. Два доступных типа моделей деградации:
Линейная модель деградации (linearDegradationModel) - Описывает поведение деградации как линейный стохастический процесс со смещением. Линейные модели деградации полезны, когда система не испытывает кумулятивной деградации.
Экспоненциальная модель деградации (exponentialDegradationModel - Описывает поведение деградации как экспоненциальный стохастический процесс со смещенным членом. Модели экспоненциальной деградации полезны, когда тестовый компонент испытывает кумулятивную деградацию.
После создания объекта модели деградации инициализируйте модель с использованием исторических данных о работоспособности ансамбля сходных компонентов, например, нескольких машин, изготовленных в соответствии с одинаковыми спецификациями. Для этого используйте fit. Затем можно прогнозировать оставшийся срок службы аналогичных компонентов с помощью predictRUL.
Модели деградации работают только с одним индикатором условия. Тем не менее, можно использовать анализ основного компонента или другие методы слияния для создания индикатора сросшегося условия, который включает информацию из нескольких индикаторов условия. Независимо от того, используется ли отдельный индикатор или слитый индикатор, найдите индикатор, который показывает четкий тренд увеличения или уменьшения, чтобы моделирование и экстраполяция были надежными.
Пример использования этого подхода и оценки RUL с использованием модели деградации см. в разделе Прогноз высокоскоростного подшипника ветровой турбины.
Анализ выживаемости - это статистический метод, используемый для моделирования данных времени до события. Это полезно, когда у вас нет полных историй выполнения до отказа, а вместо этого есть:
Только данные о сроке службы аналогичных компонентов. Например, вы можете знать, сколько миль каждый двигатель в вашем ансамбле работал до необходимости технического обслуживания, или сколько часов работы каждая машина в вашем ансамбле работала до отказа. В этом случае используется reliabilitySurvivalModel. Учитывая историческую информацию о времени отказа парка аналогичных компонентов, эта модель оценивает распределение вероятностей времени отказа. Распределение используется для оценки RUL тестируемого компонента.
Как срок службы, так и некоторые другие переменные данные (ковариаты), которые коррелируют с RUL. Ковариаты, также называемые переменными окружающей среды или объясняющими переменными, содержат информацию, такую как поставщик компонентов, режимы, в которых использовался компонент, или производственный пакет. В этом случае используйте covariateSurvivalModel. Эта модель представляет собой модель выживания с пропорциональным риском, которая использует интервалы жизни и ковариаты для вычисления вероятности выживания тестируемого компонента.
covariateSurvivalModel | exponentialDegradationModel | fit | hashSimilarityModel | linearDegradationModel | pairwiseSimilarityModel | predictRUL | reliabilitySurvivalModel | residualSimilarityModel