Main Content

식별된 모델 또는 상태 추정기를 사용한 RUL 추정

시스템 동작의 일부 측면을 기술하는 식별된 동적 모델이 있는 경우 이 모델을 사용하여 미래의 동작을 예측할 수 있습니다. 이러한 동적 모델은 시스템 데이터로부터 식별할 수 있습니다. 또는 시간이나 사용량으로 기계의 작동을 나타내는 시스템 데이터가 있는 경우 이 데이터에서 상태 지표를 추출해 시간이나 사용량을 사용하여 상태 지표의 동작을 추적할 수 있습니다. 그런 다음 상태 지표의 동작을 기술하는 모델을 식별하고, 이 모델을 사용하여 상태 지표의 미래 값을 예측할 수 있습니다. 예를 들어, 어떤 상태 지표가 임계값을 초과하면 시스템에 수리가 필요함을 알고 있다면 이 상태 지표의 시간 변화 모델을 식별할 수 있습니다. 그런 다음 모델을 시간의 순방향으로 전파하여 상태 지표가 임계값에 도달하기까지 얼마나 걸릴지를 확인할 수 있습니다.

동적 모델 식별에 사용할 수 있는 함수는 다음과 같습니다.

  • ssest — 시간 영역 입력-출력 데이터 또는 주파수 응답 데이터에서 상태공간 모델을 추정합니다.

  • arx, armax, ar — 시계열 데이터에서 자기회귀 또는 이동평균(AR 또는 ARMA) 모델을 추정합니다.

  • nlarx — 웨이블릿 신경망, 트리 분할, 시그모이드 신경망과 같은 동적 비선형 추정기를 사용하여 비선형 동작을 모델링합니다.

forecast와 같은 함수를 사용하여, 식별된 모델의 미래의 동작을 예측할 수 있습니다. 진동 신호를 사용한 상태 모니터링 및 예지진단 예제에서는 RUL 예측에 대한 이 접근 방식을 사용합니다.

recursiveARX 및 recursiveAR과 같이 데이터를 수집하고 처리하면서 실시간으로 모델을 피팅할 수 있는 재귀적 추정기도 있습니다.

unscentedKalmanFilter, extendedKalmanFilter, particleFilter와 같은 상태 추정기를 사용한 RUL 추정도 비슷한 방식으로 작동합니다. 시변 데이터에 대해 상태 추정을 수행한 다음, 미래의 상태 값을 예측하여 고장에 해당하는 상태 값이 발생할 때까지 걸리는 시간을 확인합니다.

관련 항목