predictRUL
テスト コンポーネントの残存耐用期間を推定
構文
説明
関数 predictRUL は、与えられた推定モデルとその使用時間や劣化プロファイルに関する情報から、テスト コンポーネントの残存耐用期間 (RUL) を推定します。RUL を予測する前に、同じ仕様で製造された複数のマシンなど、類似コンポーネントのアンサンブルの健全性に関する履歴データを使用して推定モデルを構成しておく必要があります。これを行うには、関数 fit を使用します。
predictRUL を使用して、次のタイプの推定モデルの残存耐用期間を推定できます。
劣化モデル
生存モデル
類似性モデル
RUL 予測の基本的な例については、データの着信に応じた RUL 予測の更新を参照してください。
これらのモデルを使用した残存耐用期間の予測に関する一般的な情報については、RUL 推定器モデルを使用した RUL の推定を参照してください。
estRUL = predictRUL(mdl,covariates)mdl とコンポーネントの現在の共変量値を使用してコンポーネントの RUL を推定します。
estRUL = predictRUL(___,Name,Value)
例
学習データを読み込みます。
load('pairwiseTrainTables.mat')学習データは table の cell 配列です。各 table は、コンポーネントの劣化特徴プロファイルです。各プロファイルは、変数 "Time" のライフタイム測定値と、それに対応する変数 "Condition" の劣化特徴の測定値から構成されます。
絶対距離計量で動的時間伸縮法を使用して距離を計算し、時間数をライフタイムの単位として使用するペアワイズ類似性モデルを作成します。
mdl = pairwiseSimilarityModel('Method',"dtw",'Distance',"absolute",'LifeTimeUnit',"hours");
学習データを使用して類似性モデルに学習させます。ライフタイム変数とデータ変数の名前を指定します。
fit(mdl,pairwiseTrainTables,"Time","Condition")
テスト データを読み込みます。テスト データには、テスト コンポーネントの現在のライフタイムまでの劣化特徴の測定値が含まれています。
load('pairwiseTestData.mat')学習させた類似性モデルを使用してテスト コンポーネントの RUL を予測します。
estRUL = predictRUL(mdl,pairwiseTestData)
estRUL = duration
93.671 hr
コンポーネントの推定 RUL は約 94 時間です。
観測データを読み込みます。
load('linTestData.mat','linTestData1')
この例では、学習データが履歴データではなく、コンポーネントの状態のリアルタイムの観測値であると仮定します。
劣化特徴限界の知識に基づき、コンポーネントの耐用寿命末期を示す、状態インジケーターのしきい値を定義します。
threshold = 60;
任意の事前分布データと指定されたノイズ分散を使って、線形劣化モデルを作成します。また、観測データに対し、ライフタイムとデータの変数名を指定します。
mdl = linearDegradationModel('Theta',1,'ThetaVariance',1e6,'NoiseVariance',0.003,... 'LifeTimeVariable',"Time",'DataVariables',"Condition",... 'LifeTimeUnit',"hours");
50 時間にわたりコンポーネントの状態を観察し、観察ごとに劣化モデルを更新します。
for i=1:50 update(mdl,linTestData1(i,:)); end
50 時間後、モデルに保存されている現在のライフタイム値によってコンポーネントの RUL を予測します。
estRUL = predictRUL(mdl,threshold)
estRUL = duration
50.301 hr
推定された RUL は約 50 時間で、予測された寿命は合計約 100 時間です。
学習データを読み込みます。
load('expTrainTables.mat')学習データは table の cell 配列です。各 table は、コンポーネントの劣化特徴プロファイルです。各プロファイルは、変数 "Hours" のライフタイム測定値と、それに対応する変数 "Condition" の劣化特徴の測定値から構成されます。
ライフタイム変数の単位を指定して、指数劣化モデルを作成します。
mdl = exponentialDegradationModel('LifeTimeUnit',"hours");
学習データを使用して劣化モデルに学習させます。ライフタイム変数とデータ変数の名前を指定します。
fit(mdl,expTrainTables,"Time","Condition")
テストデータを読み込みます。このデータはテスト コンポーネントの故障に至るまで実行された劣化プロファイルです。テスト データは、学習データと同じライフタイム変数とデータ変数を持つ table です。
load('expTestData.mat')劣化特徴限界の知識に基づき、コンポーネントの耐用寿命末期を示す、状態インジケーターのしきい値を定義します。
threshold = 500;
コンポーネントの状態インジケーターを 1 時間ごとに 150 時間測定すると仮定します。学習させた劣化モデルを測定ごとに更新します。次に、150 時間時点でのコンポーネントの残存耐用期間を予測します。RUL は、劣化特徴が指定されたしきい値を通過する予測時間です。
for t = 1:150 update(mdl,expTestData(t,:)) end estRUL = predictRUL(mdl,threshold)
estRUL = duration
136.45 hr
推定された RUL は約 137 時間で、予測された寿命は合計約 287 時間です。
学習データを読み込みます。
load('covariateData.mat')このデータには、電池の放電時間や関連する共変量情報が含まれています。共変量変数は以下のとおりです。
温度
負荷
製造元
製造元情報は、符号化する必要があるカテゴリカル変数です。
共変量生存モデルを作成し、学習データを使用して学習させます。
mdl = covariateSurvivalModel('LifeTimeVariable',"DischargeTime",'LifeTimeUnit',"hours",... 'DataVariables',["Temperature","Load","Manufacturer"],'EncodedVariables',"Manufacturer"); fit(mdl,covariateData)
Successful convergence: Norm of gradient less than OPTIONS.TolFun
たとえば、製造元が B 社で、30 時間稼働したバッテリー パックがあるとします。使用時間 DischargeTime、測定された周囲温度 TestAmbientTemperature、電流 TestBatteryLoad を含むテスト データ table を作成します。
TestBatteryLoad = 25; TestAmbientTemperature = 60; DischargeTime = hours(30); TestData = timetable(TestAmbientTemperature,TestBatteryLoad,"B",'RowTimes',hours(30)); TestData.Properties.VariableNames = {'Temperature','Load','Manufacturer'}; TestData.Properties.DimensionNames{1} = 'DischargeTime';
バッテリーの RUL を予測します。
estRUL = predictRUL(mdl,TestData)
estRUL = duration
38.332 hr
バッテリーの共変量データの生存時間関数をプロットします。
plot(mdl,TestData)
学習データを読み込みます。
load('reliabilityData.mat')このデータは、バッテリー放電時間を表す duration オブジェクトの列ベクトルです。
ライフタイム変数とライフタイムの単位を指定して、信頼性生存モデルを作成します。
mdl = reliabilitySurvivalModel('LifeTimeVariable',"DischargeTime",'LifeTimeUnit',"hours");
学習データを使用して生存モデルに学習させます。
fit(mdl,reliabilityData)
新しいコンポーネントの寿命を予測し、推定の確率分布関数を取得します。
[estRUL,ciRUL,pdfRUL] = predictRUL(mdl);
確率分布をプロットします。
bar(pdfRUL.RUL,pdfRUL.ProbabilityDensity)
xlabel('Remaining useful life (hours)')
xlim(hours([40 90]))
予測のビンの数とビン サイズを指定して分布の表示を改善します。
[estRUL,ciRUL,pdfRUL] = predictRUL(mdl,'BinSize',0.5,'NumBins',500); bar(pdfRUL.RUL,pdfRUL.ProbabilityDensity) xlabel('Remaining useful life (hours)') xlim(hours([40 90]))
50 時間動作しているコンポーネントの RUL を予測します。
[estRUL,ciRUL,pdfRUL] = predictRUL(mdl,hours(50),'BinSize',0.5,'NumBins',500); bar(pdfRUL.RUL,pdfRUL.ProbabilityDensity) xlabel('Remaining useful life (hours)') xlim(hours([0 40]))
