残存耐用期間 (RUL) の予測
システム データ、状態推定器、または同定されたモデルから RUL を計算するために設計された専用のモデルを使用して RUL を予測
状態インジケーターを解析する 1 つの方法は、これらを使用して故障を検出することですが、システムの RUL を予測するために異なるタイプの状態インジケーターの解析を使用することもできます。機械の RUL は、機械の修理や交換が必要になるまでの残りの寿命または使用期間です。
通常の場合、状態インジケーター値の時間発展または統計プロパティに基づいて推定を実行できるモデルを開発することにより、システムの RUL を推定します。こうしたモデルからの予測は、不確かさを伴う統計推定です。それらによってテスト マシンの RUL の確率分布が提供されます。
使用するモデルは、System Identification Toolbox™ のコマンドを使って取得するモデルなどの動的モデルにすることができます。Predictive Maintenance Toolbox™ には、各種の測定システム データから RUL を計算するために設計された専用のモデルもいくつか含まれています。使用できるモデルのタイプの概要は、残存耐用期間を予測するモデルを参照してください。
RUL を予測するためのモデルの開発は、状態インジケーターの適切な候補を特定した後に行う、アルゴリズムの設計プロセスにおける次の手順です。開発するモデルは状態インジケーター値の時間発展を使用して RUL を予測するため、この手順は多くの場合、状態インジケーターの特定手順とともに反復的に行われます。
アプリ
健康インジケーター デザイナー | Interactively transform a set of features into a single composite health indicator that can be used to predict the remaining useful life (RUL) of a machine (R2024a 以降) |
関数
トピック
RUL の基礎
- 残存耐用期間を予測するモデル
再帰モデル、同定されたモデル、または状態推定器を使用して、残存耐用期間 (RUL) を予測することができます。また、システム データから RUL を計算するために設計された専用のモデルもあります。
- 残存耐用期間の予測のための特徴選択
特徴をランク付けしてシステム劣化の最適なインジケーターを決定し、残存耐用期間 (RUL) の予測の正確性を高める。 - 診断特徴デザイナーを使用した劣化システムの特徴の予知ランク付け
この例では、診断特徴デザイナーで劣化システムのデータをフレームにセグメント化し、フレームベースで処理と特徴抽出を実行し、予知ランク付けを使用する方法を説明します。
RUL モデルを使用した予測
- データの着信に応じた RUL 予測の更新
テスト対象のマシンからのデータ着信に応じて、RUL の予測を新しい各データ点により更新できます。 - 類似性ベースの残存耐用期間推定
前処理、トレンドを示す特徴の選択、センサー融合による健康インジケーターの作成、類似性 RUL 推定器の学習、および予知の検証から、残存耐用期間 (RUL) の完全な推定アルゴリズムを作成する。 - 風力タービン高速ベアリングの経過予測
風力タービン ベアリングの残存耐用期間 (RUL) をリアルタイムで予測する指数劣化モデルを作成する。指数劣化モデルはそのパラメーターの事前確率分布と最新の測定値に基づいて RUL を予測します。 - ThingSpeak を使用したサーボのギア列のライブ RUL 推定
この例では、Arduino ベースのデータ収集システムから ThingSpeak™ へ、また ThingSpeak から MATLAB® で実行中の RUL 推定エンジンへのサーボ モーター データのリアルタイム ストリーミングを通して、サーボ モーターのギア列の残存耐用期間 (RUL) を推定する方法を説明します。 - ThingSpeak ダッシュボードを使用したサーボ モーター ギア列のライブ RUL 推定
この例では、ThingSpeak™ ダッシュボードを設定して、サーボ モーター ギア列の残存耐用期間 (RUL) を推定および可視化する方法を説明します。
同定されたモデルまたは状態推定器を使用した予測
- 劣化するバッテリー システムの非線形の状態推定
Simulink のアンセンテッド カルマン フィルターを使用して非線形システムの状態を推定する。 - 振動信号を使用した状態の監視と予知
ボール ベアリングの振動信号から特徴を抽出し、健全性を監視して、予知を行う。
人工知能を使用した予測
- 初期動作データからのバッテリー サイクル寿命の予測
教師ありの機械学習アルゴリズムを使用して、高速充電リチウムイオン バッテリーの残りのサイクル寿命を予測する。 - Fault Detection and Remaining Useful Life Estimation Using Categorical Data
Use categorical data to improve the accuracy of machine fault predictions. - 畳み込みニューラル ネットワークを使用した残存耐用期間の推定
この例では、深層畳み込みニューラル ネットワーク (CNN) を使用してエンジンの RUL を予測する方法を説明します。 - 深層学習を使用したバッテリー サイクル寿命の予測
深層ニューラル ネットワークの学習により、高速充電リチウムイオン バッテリーの残りのサイクル寿命を予測する。