Мера подобия между траекториями индикаторов состояния
возвращает тенденциозность пожизненных данных Y
= trendability(X
)X
. Использование trendability
в качестве меры подобия между траекториями функции, измеренной в нескольких экспериментах по восстановлению отказа. Более модная функция имеет траектории с такой же базовой формой. Значения Y
область значений от 0 до 1, где Y
равен 1, если X
совершенно модно и 0, если X
является нетрадиционным.
возвращает тенденциозность пожизненных данных Y
= trendability(X
,lifetimeVar
)X
использование переменной времени жизни lifetimeVar
.
возвращает тенденциозность пожизненных данных Y
= trendability(X
,lifetimeVar
,dataVar
)X
использование переменных данных, заданных как dataVar
.
возвращает тенденциозность пожизненных данных Y
= trendability(X
,lifetimeVar
,dataVar
,memberVar
)X
использование переменной времени жизни lifetimeVar
, переменные данных, заданные как dataVar
, и переменной представитель memberVar
.
оценивает тенденциозность с дополнительными опциями, заданными одним или несколькими Y
= trendability(___,Name,Value
)Name,Value
аргументы в виде пар. Можно использовать этот синтаксис с любой из предыдущих комбинаций входных аргументов.
trendability(___)
без выходных аргументов строит столбчатую диаграмму с ранжированными значениями трендируемости.
Когда X
является длинная таблица или длинное расписание, trendability
тем не менее загружает полный массив в память с помощью gather
. Если доступная память недостаточна, то trendability
возвращает ошибку.
При расчете тенденциозности используется эта формула:
где xj представляет вектор измерений функции на jth система и M переменной - это количество контролируемых систем.
Когда xj и xk имеют различные длины, более короткий вектор повторно дискретизируется, чтобы соответствовать длине более длинного вектора. Чтобы облегчить этот процесс, их временные векторы сначала нормализуются до процента срока службы, то есть [0%, 100%].
[1] Coble, J., and J. W. Hines. Идентификация оптимальных прогностических параметров из данных: подход к генетическим алгоритмам. В трудах ежегодной конференции Общества прогностики и управления здоровьем. 2009.
[2] Coble, J. «Слияние источников данных для предсказания оставшегося полезного срока службы - автоматизированный метод определения параметров прогностики». Доктор философии. Дипломная работа. Университет Теннесси, Ноксвилл, TN, 2010.
[3] Lei, Y. Intelligent Fault Diagnosis And Remaining Use Life Prediction of Rotting Machinery. Сиань, Китай: Xi 'an Jiaotong University Press, 2017.
[4] Lofti, S., J. B. Ali, E. Bechhoefer, and M. Benbouzid. «Прогноз состояния высокоскоростных подшипников вала ветряного двигателя через спектральные индексы, полученные из Куртоза, и SVR». Прикладная акустика Vol. 120, 2017, pp. 1-8.