Когда у вас есть идентифицированная динамическая модель, которая описывает некоторый аспект поведения системы, можно использовать эту модель для прогнозирования поведения в будущем. Идентифицировать такую динамическую модель можно по системным данным. Или, если у вас есть системные данные, которые представляют операцию ваших машин со временем или использованием, можно извлечь индикаторы состояния из этих данных и отследить поведение индикаторов состояния со временем или использованием. Можно затем идентифицировать модель, которая описывает поведение индикатора состояния, и использовать эту модель, чтобы предсказать будущие значения индикатора состояния. Если вы знаете, для примера, что ваша система нуждается в ремонте, когда какой-то индикатор состояния превышает какой-то порог, можно идентифицировать модель изменения времени этого индикатора состояния. Затем можно распространить модель вперед по времени, чтобы определить, сколько времени это будет до того, как индикатор состояния достигнет порогового значения.
Некоторые функции, которые можно использовать для идентификации динамических моделей, включают:
ssest - оцените модель пространства состояний из входно-выходных данных во временной области или данных частотной характеристики.
arx, armax, ar - Оцените авторегрессивную или скользящую модель (AR или ARMA) из данного timeseries.
nlarx - Моделируйте нелинейное поведение с помощью динамических оценок нелинейности, таких как вейвлет, древовидное разбиение и сигмоидные сети.
Можно использовать такие функции, как forecast для предсказания будущего поведения идентифицированной модели. Пример Условия Мониторинг и прогнозирование с использованием сигналов вибрации использует этот подход к предсказанию RUL.
Существуют также рекурсивные оценки, которые позволяют вам подгонять модели в реальном времени, когда вы собираете и обрабатываете данные, такие как recursiveARX и recursiveAR.
Оценка RUL с оценками состояния, такими как unscentedKalmanFilter, extendedKalmanFilter, и particleFilter работает подобным образом. Вы выполняете оценку состояния на некоторых изменяющихся во времени данных и прогнозируете будущие значения состояния, чтобы определить время, пока не произойдет некоторое значение состояния, связанное с отказом.