乐天知命，故不忧——基于生存模型进行剩余有效寿命预测的案例讲解

这是寿命预测案例中的第三个也是最后一个。这是基于失效统计数据的一种模型，即当我们知道某一种产品的整体寿命分布时，可以估计到该产品剩余寿命的分布情况。这种预测思想是非常直观且简单的，所以该案例也非常简短[1]：

1.加载数据

load('reliabilityData.mat')

该数据是表示电池放电时间的持续时间的数组。

2.创建模型

创建可靠性生存模型，制定寿命变量和寿命单位：

mdl = reliabilitySurvivalModel('LifeTimeVariable',"DischargeTime",'LifeTimeUnit',"hours");

3.训练模型

使用训练数据训练模型：

fit(mdl,reliabilityData)

4.产品寿命分布与可视化

预测全新部件的寿命，并获得估计值的概率分布

[estRUL,ciRUL,pdfRUL] = predictRUL(mdl);

绘制概率分布图

bar(pdfRUL.RUL,pdfRUL.ProbabilityDensity)
xlabel('Remaining useful life (hours)')
xlim(hours([40 90]))

图1

6.预测与可视化

预测已经运行50小时的部件的RUL。

[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]))

图2

对比图1和图2可知，图2 就是由图1向左平移50 hours得到的。

 

此外，除了上述可靠性生存模型，还有一种协变量生存模型，这是一种考虑了一些协变量数据，比如环境变量或者解释变量的模型。如果输入信息中包括这些可利用的变量，可以考虑使用该类型模型[2]。

 

剩余寿命预测的系列完结了，后续要开始研究深度学习，欢迎持续关注~

欢迎关注我的公众号“括号的城堡”，微信号为“khscience”，公众号里可能还会有更多有趣的东西分享。

 

[1] https://ww2.mathworks.cn/help/predmaint/ref/reliabilitysurvivalmodel.html

[2] Proportional hazard survival model for estimating remaining useful life