В этом примере рассмотрите данные о жизни 10 одинаковых машин со следующими 6 потенциальными прогностическими параметрами$$-$$константа, линейная, квадратичная, кубическая, логарифмическая и периодическая. Набор данных machineDataCellArray.mat содержит C, который является 1x10 массив ячеек матриц, где каждый элемент массива ячеек является матрицей, которая содержит данные о жизни машины. Для каждой матрицы в массиве ячеек первый столбец содержит время, в то время как другие столбцы содержат переменные данных.

Загрузите данные о жизни и визуализируйте их в зависимости от времени.

load('machineDataCellArray.mat','C')
display(C)

C=1×10 cell array
  Columns 1 through 4

    {219x7 double}    {189x7 double}    {202x7 double}    {199x7 double}

  Columns 5 through 8

    {229x7 double}    {184x7 double}    {224x7 double}    {208x7 double}

  Columns 9 through 10

    {181x7 double}    {197x7 double}

for k = 1:length(C)
    plot(C{k}(:,1), C{k}(:,2:end));
    hold on;
end

Наблюдайте 6 различных показателей состояния - постоянные, линейные, квадратичные, кубические, логарифмические и периодические - для всех 10 машин на графике.

Визуализируйте монотонность потенциальных прогностических функций.

monotonicity(C)

На графике гистограммы наблюдайте, что функции Var2, Var4 и Var5 оцените лучше, чем остальные. Следовательно, эти функции более подходят для остающихся предсказаний полезного срока службы, поскольку они являются лучшими показателями здоровья машины.

В этом примере рассмотрите данные о жизни 10 одинаковых машин со следующими 6 потенциальными прогностическими параметрами$$-$$константа, линейная, квадратичная, кубическая, логарифмическая и периодическая. Набор данных machineDataTable.mat содержит T, который является 1x10 массив ячеек из таблиц, где каждый элемент массива ячеек содержит таблицу жизненных данных для машины.

Загрузите и отобразите данные.

load('machineDataTable.mat','T');
display(T)

T=1×10 cell array
  Columns 1 through 4

    {219x7 table}    {189x7 table}    {202x7 table}    {199x7 table}

  Columns 5 through 8

    {229x7 table}    {184x7 table}    {224x7 table}    {208x7 table}

  Columns 9 through 10

    {181x7 table}    {197x7 table}

head(T{1},2)

ans=2×7 table
    Time    Constant    Linear    Quadratic    Cubic     Logarithmic    Periodic
    ____    ________    ______    _________    ______    ___________    ________

       0     3.2029     11.203     7.7029      3.8829      2.2517        0.2029 
    0.05     2.8135     10.763     7.2637      3.6006      1.8579       0.12251 

Обратите внимание, что каждая таблица в массиве ячеек содержит переменную времени жизни 'Time' и переменные данных 'ConstantLinearQuadraticCubicLogarithmic', и' Periodic'.

Вычислите монотонность с помощью метода ранговой корреляции Спирмана с Time как переменная времени жизни.

Y = monotonicity(T,'Time','Method','rank')

Y=1×6 table
    Constant    Linear    Quadratic     Cubic     Logarithmic    Periodic
    ________    ______    _________    _______    ___________    ________

    0.069487      1        0.17777     0.97993      0.99957      0.059208

Из получившейся таблицы значений монотонности заметьте, что линейные кубические и логарифмические функции имеют значения ближе к 1. Следовательно, эти три функции более подходят для прогнозирования оставшегося срока службы, поскольку они являются лучшими показателями здоровья машины.

Рассмотрим жизненные данные 4 машин. Каждая машина имеет 4 кода отказа для индикаторов потенциального состояния$$-$$напряжение, ток и степень. monotonicityEnsemble.zip - это набор из 4 файлов, где каждый файл содержит расписание жизненных данных для каждой машины $$-$$ tbl1.mat, tbl2.mat, tbl3.mat, и tbl4.mat. Можно также использовать файлы, содержащие данные для нескольких машин. Для каждого расписания организация данных заключается в следующем:

При выполнении вычислений на длинные массивы MATLAB ® использует либо параллельный пул (по умолчанию, если у вас есть Parallel Computing Toolbox™), либо локальный сеанс работы с MATLAB. Чтобы запустить пример с помощью локального сеанса работы с MATLAB, измените глобальное окружение выполнения с помощью mapreducer функция.

mapreducer(0)

Извлеките сжатые файлы, считайте данные в расписаниях и создайте fileEnsembleDatastore объект с использованием данных расписания. Для получения дополнительной информации о создании файла datastore ансамбля, смотрите fileEnsembleDatastore.

unzip monotonicityEnsemble.zip;
ens = fileEnsembleDatastore(pwd,'.mat');
ens.DataVariables = {'Voltage','Current','Power','FaultCode','Machine'};
% Make sure that the function for reading data is on path
addpath(fullfile(matlabroot,'examples','predmaint','main')) 
ens.ReadFcn = @readtable_data;
ens.SelectedVariables = {'Voltage','Current','Power','FaultCode','Machine'};

Визуализируйте монотонность потенциальных прогностических функций с помощью 'Machine'как переменная-член и сгруппировать данные о жизни по' FaultCode'. Группировка жизненных данных гарантирует, что monotonicity вычисляет метрику для каждого кода отказа отдельно.

monotonicity(ens,'MemberVariable','Machine','GroupBy','FaultCode');

Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 1: Completed in 0.63 sec
Evaluation completed in 1.2 sec
Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 1: Completed in 0.15 sec
Evaluation completed in 0.33 sec
Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 1: Completed in 0.39 sec
Evaluation completed in 0.44 sec

monotonicity возвращает график гистограммы с функциями, ранжированными по значениям монотонности. Более высокое значение монотонности указывает на более подходящий прогностический параметр. Для образца, функция кандидата Current имеет наивысший монотонный тренд для машин с FaultCode 1.

rmpath(fullfile(matlabroot,'examples','predmaint','main')) % Reset path