剩余使用壽命（下文稱 RUL）指在機器維修或更換前的運行時長。借助 RUL，工程師可以安排維護時間、優化運行效率并避免計劃外停機。因此，預測 RUL 是預測性維護計劃中的首要任務。

RUL 預測模型不僅可預測 RUL，還可提供預測的置信界限。該模型的輸入項是狀態指標，即從傳感器數據或日志數據提取的特征。其行為隨著系統退化或運行模式的變化而改變，這種改變是可預測的。

RUL 的計算方法取決于可用數據的類型：

壽命數據，用于指示相似機器運行至發生故障所用的時長

相似機器的運行至故障的歷史數據

檢測故障所用狀態指標的已知閾值

Predictive Maintenance Toolbox提供的模型可基于每類數據類型對 RUL 進行評估。

使用壽命數據

比例風險模型和組件故障時間的概率分布用于根據壽命數據評估 RUL。舉一個簡單的例子，我們可以根據過往充電次數及協變量評估電池的放電時間，其中協變量指電池運行環境（如溫度）和電池負載等變量。

生存函數圖（圖 1）顯示了電池在不同運行時長出現故障的概率。如圖所示，如果電池運行了 75 個周期，則其達到使用壽命的概率為 90%。

圖 1. 生存函數圖。在運行 75 個周期后，電池能夠繼續運行的概率為 0.1 或 10%。

運行至故障的數據

如果您有一個包含設備運行至故障的數據的數據庫，并且該數據來自相似組件或行為方式相似的不同組件，則您可以使用相似方法評估 RUL。這些方法會獲取退化曲線并將其與來自機器的新數據進行對比，以確定新數據最接近哪種曲線。

在圖 2 中，藍色表示發動機運行至故障的歷史數據集的退化曲線，黃色表示發動機的當前數據。根據發動機最匹配的曲線，預計 RUL 約為65 個周期。

圖 2. 基于運行至故障的數據的退化曲線（藍色）。最接近的藍色曲線的星標（或端點）分布指出 RUL 為 65 個周期。

閾值數據

通常，運行至故障數據或壽命數據沒有被記錄，但具有關于閾值參考信息。例如，水泵中液體的溫度不能超過 160oF (71oC)，壓力必須低于 2200 psi (155 bar)。通過這些信息，您可以將時序模型與提取自傳感器數據（如隨時間上下波動的溫度和壓力等）的狀態指標進行擬合。

這些退化模型通過預測狀態指標超出閾值的時間評估 RUL。它們還可以與融合指標結合使用，后者使用主成分分析等技術融入來自多個狀態指標的信息。

圖 3 顯示跟蹤風力渦輪機中所用高速軸承故障的指數退化模型。藍色顯示狀態指標。該退化模型預測軸承將在約 9.5 天后超出閾值。紅色陰影部分代表此預測的置信界限。

圖 3. 高速軸承的退化模型。基于軸承的當前狀態數據（藍色）和與此數據擬合的指數退化模型（紅色），該軸承預計的 RUL 為 9.5 天。

對 RUL 進行可靠評估后，您可以將這些評估值集成到儀表盤中，或整合到維護團隊監控的警報系統中。隨后，各團隊可以快速響應設備運行狀況的改變，避免影響設備的正常運轉。