樂天知命，故不憂——基於生存模型進行剩餘有效壽命預測的案例講解

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