Predictive Maintenance Toolbox™ включает некоторые специализированные модели, предназначенные для вычисления RUL из различных типов измеренных системных данных. Эти модели полезны, когда у вас есть исторические данные и такая информация, как:
Истории поломок машин, подобные тому, который вы хотите диагностировать
Известное пороговое значение некоторого индикатора состояния, которое указывает на отказ
Данные о том, сколько времени или сколько использования потребовалось для того, чтобы аналогичные машины достигли отказа (срок службы)
Модели оценки RUL обеспечивают методы для настройки модели с помощью исторических данных и использования ее для выполнения предсказания оставшегося срока службы. Термин, lifetime здесь, относится к сроку службы машины, заданному в терминах любой величины, которую вы используете для измерения срока службы системы. Точно так же time evolution может означать эволюцию значения с использованием, пройденным расстоянием, количеством циклов или другой величиной, которая описывает время жизни.
Общий рабочий процесс использования моделей оценки RUL:
Выберите лучший тип модели оценки RUL для данных и системных знаний, которые вы имеете. Создайте и сконфигурируйте соответствующий объект модели.
Обучите модель оценки с помощью исторических данных, которые у вас есть. Для этого используйте fit команда.
Используя тестовые данные того же типа, что и ваши исторические данные, оцените RUL тестового компонента. Для этого используйте predictRUL команда. Можно также рекурсивно использовать тестовые данные, чтобы обновить некоторые типы моделей, такие как модели деградации, чтобы помочь сохранить точность предсказаний. Для этого используйте update команда.
Для базового примера, иллюстрирующего эти шаги, смотрите Обновление Предсказания RUL по мере поступления данных.
Существует три семейства моделей оценки RUL. Выберите семейство и модель для использования на основе доступных данных и системной информации, как показано на следующем рисунке.
Модели подобия основывают предсказание RUL тестовой машины на известном поведении аналогичных машин из исторической базы данных. Такие модели сравнивают тренд в тестовых данных или значениях индикатора состояния с той же информацией, извлеченной из других, аналогичных систем.
Модели подобия применяются, когда:
У вас есть данные запуска до отказа из аналогичных систем (components). Данные запуска в отказ - это данные, которые запускаются во время исправной операции и заканчиваются, когда машина находится в состоянии, близком к отказу или техническому обслуживанию.
Данные пробега до отказа показывают сходное поведение при деградации. То есть данные изменяются каким-то характерным образом, когда система ухудшается.
Таким образом, можно использовать модели подобия, когда можно получить degradation profiles из ансамбля данных. Профили деградации представляют эволюцию одного или нескольких индикаторов состояния для каждой машины в ансамбле (каждом компоненте), когда машина переходит от исправного состояния к дефектному состоянию.
Predictive Maintenance Toolbox включает три типа моделей подобия. Все три типа оценивают RUL путем определения сходства между историей деградации тестовых данных набора и историей деградации наборов данных в ансамбле. Для моделей подобия, predictRUL оценивает RUL тестового компонента как медианный период жизни большинства аналогичных компонентов минус текущее значение срока службы тестового компонента. Эти три модели различаются способами, которыми они определяют и количественно определяют понятие подобия.
Модель подобия Хешированных признаков (hashSimilarityModel) - Эта модель преобразует исторические данные о деградации от каждого представителя вашего ансамбля в фиксированные, конденсированные, такие сведения, как среднее значение, общая степень, максимальные или минимальные значения или другие величины.
Когда вы звоните fit на hashSimilarityModel объект, программное обеспечение вычисляет эти hashed features и сохраняет их в модели подобия. Когда вы звоните predictRUL с данными из тестового компонента программа вычисляет хешированные функции и сравнивает результат со значениями в таблице исторических хешированных признаков.
Модель подобия хешированных признаков полезна, когда у вас есть большие объемы данных о деградации, потому что она уменьшает объем хранения данных, необходимый для предсказания. Однако его точность зависит от точности хеш-функции, которую использует модель. Если вы определили хорошие индикаторы состояния в своих данных, можно использовать Method свойство hashSimilarityModel объект, чтобы задать хеш-функцию для использования этих функций.
Парная модель подобия (pairwiseSimilarityModel) - Парная оценка подобия определяет RUL путем нахождения компонентов, чьи исторические пути деградации наиболее коррелируют с таковыми у тестового компонента. Другими словами, это вычисляет расстояние между различными временными рядами, где расстояние определяется как корреляция, динамическая трансформация временной шкалы (dtw) или пользовательскую метрику, которую вы предоставляете. Принимая во внимание профиль деградации, когда он изменяется с течением времени, парная оценка подобия может дать лучшие результаты, чем модель хеш-подобия.
Модель остаточного подобия (residualSimilarityModel) - Остаточная оценка подходит для предыдущих данных к модели, такой как модель ARMA или модель, которая является линейной или экспоненциальной во времени использования. Затем он вычисляет невязки между данными, предсказанными из моделей ансамбля, и данными из тестового компонента. Можно рассматривать модель остаточного подобия как изменение на модели парного подобия, где величинами невязок является метрика расстояния. Подход остаточного подобия полезен, когда ваше знание системы включает форму для модели деградации.
Для примера, который использует модель подобия для оценки RUL, см. Оценку остающегося полезного срока службы на основе подобия.
Модели деградации экстраполируют прошлое поведение, чтобы предсказать будущее условие. Этот тип вычисления RUL подходит для линейной или экспоненциальной модели с профилем деградации индикатора состояния, учитывая профили деградации в вашем ансамбле. Затем он использует профиль деградации тестового компонента, чтобы статистически вычислить оставшееся время, пока показатель не достигнет некоторого предписанного порога. Эти модели наиболее полезны, когда существует известное значение вашего индикатора состояния, которое указывает на отказ. Два доступных типа модели деградации:
Линейная модель деградации (linearDegradationModel) - Описывает поведение деградации как линейный стохастический процесс с термином смещения. Линейные модели деградации применяются, когда ваша система не испытывает совокупного деградации.
Экспоненциальная модель деградации (exponentialDegradationModel - Описывает поведение деградации как экспоненциальный стохастический процесс с термином смещения. Экспоненциальные модели деградации применяются, когда тестовый компонент испытывает совокупное деградацию.
После того, как вы создали объект модели деградации, инициализируйте модель с помощью исторических данных о состоянии ансамбля аналогичных компонентов, таких как несколько машин, изготовленных по тем же спецификациям. Для этого используйте fit. Затем можно предсказать оставшийся срок полезного использования аналогичных компонентов с помощью predictRUL.
Модели деградации работают только с одним индикатором состояния. Однако можно использовать анализ основного компонента или другие методы слияния, чтобы сгенерировать индикатор сплавленного условия, который включает информацию из более чем одного индикатора состояния. Используете ли вы один индикатор или сросшийся индикатор, ищите индикатор, который показывает четкий тренд к увеличению или уменьшению, чтобы моделирование и экстраполяция были надежными.
Для примера, который использует этот подход и оценивает RUL с помощью модели деградации, см. «Прогнозирование высокоскоростного подшипника ветрогенератора».
Анализ выживания является статистическим методом, используемым для моделирования данных времени до события. Это полезно, когда вы не имеете полных историй выполнения отказа, но вместо этого имеете:
Только данные о сроке службы аналогичных компонентов. Например, вы можете знать, сколько миль каждый двигатель в вашем ансамбле пробежал до необходимости обслуживания, или сколько часов операции каждая машина в вашем ансамбле пробежала до отказа. В этом случае вы используете reliabilitySurvivalModel. Учитывая историческую информацию о времени отказа парка аналогичных компонентов, эта модель оценивает распределение вероятностей времени отказа. Распределение используется для оценки RUL тестового компонента.
И продолжительность жизни, и некоторые другие переменные данные (covariates), которые коррелируют с RUL. Ковариаты, также называемые environmental variables или explanatory variables, содержат информацию, такую как поставщик компонентов, режимы, в которых использовался компонент, или производственная партия. В этом случае используйте covariateSurvivalModel. Эта модель является пропорциональной моделью выживания опасности, которая использует продолжительность жизни и ковариаты для вычисления вероятности выживания тестового компонента.
covariateSurvivalModel | exponentialDegradationModel | fit | hashSimilarityModel | linearDegradationModel | pairwiseSimilarityModel | predictRUL | reliabilitySurvivalModel | residualSimilarityModel
