잔여 수명(RUL) 예측하기
상태 지표를 분석하는 한 가지 방법은 결함을 검출하는 데 상태 지표를 사용하는 것이지만, 시스템의 RUL을 예측하는 데에도 여러 유형의 상태 지표 분석을 사용할 수 있습니다. 기계의 RUL이란 기계의 수리 또는 교체가 필요하게 되기 전까지 남아 있는 사용 시간 또는 예상 수명을 의미합니다.
일반적으로 시스템의 RUL은 상태 지표 값의 시간적 변화 또는 통계적 속성을 기반으로 추정을 수행할 수 있는 모델을 개발하여 추정합니다. 이러한 모델에서 수행하는 예측은 불확실성이 수반되는 통계적 추정값입니다. 이러한 통계적 추정값은 테스트 기계의 RUL에 대한 확률 분포를 제공합니다.
이때 사용하는 모델은 System Identification Toolbox™ 명령을 사용하여 얻는 것과 같은 동적 모델일 수 있습니다. Predictive Maintenance Toolbox™에는 다양한 유형의 측정된 시스템 데이터로부터 RUL을 계산하도록 설계된 몇 가지 특화 모델도 포함되어 있습니다. 사용할 수 있는 모델 유형에 대한 개요는 잔여 수명 예측 모델 항목을 참조하십시오.
유력한 상태 지표를 식별한 후에 알고리즘 설계 과정에서 수행해야 하는 다음 단계는 RUL 예측을 위한 모델을 개발하는 것입니다. 개발하려는 모델은 상태 지표 값의 시간적 변화를 이용해 RUL을 예측하므로, 이 단계는 상태 지표를 식별하는 단계와 함께 반복적으로 수행되는 경우가 많습니다.
앱
건전성 지표 디자이너 | Interactively transform a set of features into a single composite health indicator that can be used to predict the remaining useful life (RUL) of a machine (R2024a 이후) |
함수
도움말 항목
RUL 기본 사항
- 잔여 수명 예측 모델
재귀적 모델, 식별된 모델 또는 상태 추정기를 사용하여 잔여 수명(RUL)을 예측할 수 있습니다. 시스템 데이터로부터 RUL을 계산하도록 설계된 특화 모델도 있습니다.
- 잔여 수명 예측을 위한 특징 선택
특징에 순위를 지정하여 시스템 성능 저하의 가장 좋은 지표를 결정하고 잔여 수명(RUL) 예측의 정확도를 개선합니다. - 진단 특징 디자이너를 사용하여 성능이 저하되는 시스템에 대한 예지진단 특징 순위 지정하기
이 예제에서는 성능 저하 시스템의 데이터를 프레임으로 분할하고, 프레임 기반 처리 및 특징 추출을 수행하고, 진단 특징 디자이너에서 예지진단 순위 지정을 사용하는 방법을 보여줍니다.
RUL 모델을 사용한 예측
- 데이터가 수신됨에 따라 RUL 예측 업데이트하기
테스트 중인 기계로부터 데이터가 수신됨에 따라 각각의 새로운 데이터 점을 사용하여 RUL 예측을 업데이트할 수 있습니다. - 유사성 기반 잔여 수명 추정
전처리를 수행하고, 추세를 도출할 수 있는 특징을 선택하고, 센서 융합으로 건전성 지표를 생성하고, 유사성 RUL 추정기를 훈련시키고, 예지진단 결과를 검증하여 완전한 잔여 수명(RUL) 추정 알고리즘을 구축합니다. - 풍력 터빈 고속 베어링 예지진단
지수 성능 저하 모델을 구축하여 풍력 터빈 베어링의 잔여 수명(RUL)을 실시간으로 예측합니다. 지수 성능 저하 모델은 파라미터 사전 값과 최신 측정값을 기반으로 RUL을 예측합니다. - Live RUL Estimation of a Servo Gear Train Using ThingSpeak
This example shows how to estimate the Remaining Useful Life (RUL) of a servo motor gear train through real-time streaming of servo motor data from an Arduino-based data acquisition system to ThingSpeak™, and from ThingSpeak to an RUL estimation engine running in MATLAB®. - ThingSpeak Dashboard for Live RUL Estimation of a Servo Motor Gear Train
This example shows how to set up a ThingSpeak™ dashboard to estimate and visualize the Remaining Useful Life (RUL) of a servo motor gear train.
식별된 모델 또는 상태 추정기를 사용한 예측
- 성능 저하 중인 배터리 시스템의 비선형 상태 추정
Simulink에서 무향 칼만 필터를 사용하여 비선형 시스템의 상태를 추정합니다. - 진동 신호를 사용한 상태 모니터링 및 예지진단
볼 베어링의 진동 신호에서 특징을 추출하고, 건전성 모니터링을 실시하고, 예지진단을 수행합니다.
인공 지능을 사용한 예측
- 초기 작동 데이터에서 배터리 사이클 수명 예측
머신러닝 지도 학습 알고리즘을 사용하여 고속 충전 리튬 이온 배터리의 잔여 사이클 수명을 예측합니다. - Fault Detection and Remaining Useful Life Estimation Using Categorical Data
Use categorical data to improve the accuracy of machine fault predictions. - 컨벌루션 신경망을 사용한 잔여 수명 추정
이 예제에서는 심층 컨벌루션 신경망(CNN)을 사용하여 엔진의 RUL을 예측하는 방법을 보여줍니다. - Battery Cycle Life Prediction Using Deep Learning
Predict the remaining cycle-life of a fast charging Li-ion battery by training a deep neural network.