Загрузите обучающие данные, которые являются профилем функции деградации для компонента.

load('expRealTime.mat')

В данном примере примите, что обучающие данные не являются историческими данными. Когда нет исторических данных, можно обновить модель деградации в реальном времени, используя наблюдаемые данные.

Создайте экспоненциальную модель деградации со следующими настройками:

mdl = exponentialDegradationModel('Theta',1,'ThetaVariance',1e6,...
                                  'Beta',1,'BetaVariance',1e6,...
                                  'NoiseVariance',0.003);

Поскольку в обучающих данных нет переменной времени жизни, создайте произвольный временной вектор жизни для подбора кривой.

lifeTime = [1:length(expRealTime)];

Наблюдайте функцию деградации для 10 итераций. Обновляйте модель деградации после каждой итерации.

for i=1:10
    update(mdl,[lifeTime(i) expRealTime(i)])
end

После наблюдения модели в течение некоторого времени, для примера в установившейся рабочей точке, можно перезапустить модель и сохранить текущее апостериорное распределение как предшествующее распределение.

restart(mdl,true)

Просмотрите обновленные параметры предыдущего распределения.

mdl.Prior

ans = struct with fields:
            Theta: 2.3555
    ThetaVariance: 0.0058
             Beta: 0.0722
     BetaVariance: 3.6362e-05
              Rho: -0.8429