欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

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

程序员文章站 2022-07-03 08:43:19
...

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]))

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

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]))

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

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

相关标签: 信号处理 信号