這是壽命預測案例中的第三個也是最後一個。這是基於失效統計數據的一種模型,即當我們知道某一種產品的整體壽命分佈時,可以估計到該產品剩餘壽命的分佈情況。這種預測思想是非常直觀且簡單的,所以該案例也非常簡短[1]:
1.加載數據
load('reliabilityData.mat')
該數據是表示電池放電時間的持續時間的數組。
2.創建模型
創建可靠性生存模型,制定壽命變量和壽命單位:
mdl = reliabilitySurvivalModel('LifeTimeVariable',"DischargeTime",'LifeTimeUnit',"hours");
3.訓練模型
使用訓練數據訓練模型:
fit(mdl,reliabilityData)
4.產品壽命分佈與可視化
預測全新部件的壽命,並獲得估計值的概率分佈
[estRUL,ciRUL,pdfRUL] = predictRUL(mdl);
繪製概率分佈圖
bar(pdfRUL.RUL,pdfRUL.ProbabilityDensity)
xlabel('Remaining useful life (hours)')
xlim(hours([40 90]))
圖1
6.預測與可視化
預測已經運行50小時的部件的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]))
圖2
對比圖1和圖2可知,圖2 就是由圖1向左平移50 hours得到的。
此外,除了上述可靠性生存模型,還有一種協變量生存模型,這是一種考慮了一些協變量數據,比如環境變量或者解釋變量的模型。如果輸入信息中包括這些可利用的變量,可以考慮使用該類型模型[2]。
剩餘壽命預測的系列完結了,後續要開始研究深度學習,歡迎持續關注~
歡迎關注我的公衆號“括號的城堡”,微信號爲“khscience”,公衆號裏可能還會有更多有趣的東西分享。
[1] https://ww2.mathworks.cn/help/predmaint/ref/reliabilitysurvivalmodel.html
[2] Proportional hazard survival model for estimating remaining useful life