Predictive Maintenance Toolbox
Entwurf und Testen von Algorithmen für die Zustandsüberwachung und für Predictive Maintenance
Mit der Predictive Maintenance Toolbox™ können Sie Daten kennzeichnen, Zustandsindikatoren entwerfen und die wirtschaftliche Restlebensdauer (WRL) einer Maschine schätzen.
Die Toolbox bietet Funktionen und eine interaktive App für das Untersuchen, das Extrahieren und die Rangzuweisung von Merkmalen mithilfe datenbasierter und modellbasierter Techniken, einschließlich statistischer Analysen, Spektral- und Zeitreihenanalysen. Sie können den Zustand von rotierenden Maschinenteilen wie Lagern und Getrieben überwachen, indem Sie mit Frequenz- und Zeit-Frequenz- Methoden Merkmale aus Vibrationsdaten extrahieren. Um die Zeit bis zum Ausfall einer Maschine zu schätzen, können Sie Survival-, Ähnlichkeits- und Trend-basierte Modelle für die Vorhersage der WRL verwenden.
Sie können Sensordaten analysieren und kennzeichnen, die Sie aus lokalen Dateien, Cloud-Speichern und verteilten Dateisystemen importieren. Außerdem können Sie aus Simulink -Modellen generierte simulierte Ausfalldaten kennzeichnen. Die Toolbox umfasst Referenzbeispiele für Motoren, Getriebe, Akkus und andere Maschinenteile, die wiederverwendet werden können, um selbst Algorithmen für Predictive Maintenance und für die Zustandsüberwachung zu entwickeln.
Fehlererkennung und Schätzung der wirtschaftlichen Restlebensdauer (WRL)
Erkennen Sie mit Machine-Learning- und Zeitreihenmodellen Anomalien, diagnostizieren Sie Fehlerursachen und schätzen Sie die WRL.
WRL-Schätzungsmodelle
Schätzen Sie die WRL einer Maschine, um ihre Zeit bis zum Ausfall vorherzusagen und Wartungszeitpläne zu optimieren. Welche Art von WRL-Schätzungsalgorithmus Sie verwenden, hängt von den Zustandsindikatoren ab, die Sie aus den Daten extrahieren, sowie davon, wie viele Daten zur Verfügung stehen.
Ähnlichkeits-, Verschlechterungs- und Survival-Modelle für die WRL
Fehlerdiagnosen mit Klassifkationsmodellen
Isolieren Sie die Ursache eines Ausfalls, indem Sie Klassifikationsund Clustering-Modelle mithilfe von Support Vector Machines, k- Means-Clustering und anderen Machine-Learning-Techniken trainieren.
Diagnostizieren von Fehlern mit der Classification Learner-App.
Fehler- und Anomalie-Erkennung
Verfolgen Sie mithilfe von Änderungspunkterkennung, Kalman-Filtern und Regelkarten Veränderungen in Ihrem System, um zu ermitteln, ob Anomalien und Fehler vorliegen.
Fehlererkennung mithilfe datenbasierter Modelle.
Entwurf von Zustandsindikatoren
Extrahieren Sie mithilfe signal- und modellbasierter Ansätze Merkmale aus Sensordaten. Verwenden Sie extrahierte Merkmale als Eingaben für Diagnoseund Machine-Learning-Algorithmen.
Diagnostic Feature Designer-App
Extrahieren und visualisieren Sie Merkmale, und weisen Sie ihnen Ränge zu, um Zustandsindikatoren für die Überwachung des Maschinenzustands zu entwerfen.
Signalbasierte Zustandsindikatoren
Extrahieren Sie Merkmale aus Sensorrohdaten oder vorverarbeiteten Sensordaten mithilfe der Rainflow-Zählung, Erkennung spektraler Spitzen, spektralen Kurtosis und anderer Techniken im Zeit-, Frequenz- und Zeit-Frequenz-Bereich.
Zeit-Frequenz-basierter Zustandsindikator.
Modellbasierte Zustandsindikatoren
Passen Sie lineare und nichtlineare Zeitreihenmodelle, Zustandsraummodelle und Transferfunktionsmodelle an Sensordaten an. Verwenden Sie die Eigenschaften und Merkmale dieser angepassten Modelle als Zustandsindikatoren.
Autoregressiver modellbasierter Zustandsindikator.
Referenzbeispiele für die Algorithmenentwicklung
Entwickeln Sie Algorithmen für die Zustandsüberwachung und für Predictive Maintenance für Akkus, Getriebe, Pumpen und andere Maschinenteile.
Lager und Getriebe
Entwickeln Sie Algorithmen zur Klassifizierung von Fehlern im Innenund Außenring, Erkennung von Getriebefehlern und Schätzung der WRL.
WRL-Schätzung für ein Lager einer Windturbine.
Pumpen, Motoren und Akkus
Entwickeln Sie Algorithmen für die Erkennung von Lecks und Verstopfungen in Pumpen, die Verfolgung von Veränderungen der Motorreibung und die Schätzung der zeitlichen Leistungsverschlechterung von Akkus.
Fehlerklassifikation für eine Triplexpumpe.
Verwaltung und Kennzeichnung von Daten
Greifen Sie auf Daten zu, wo immer diese sich befnden. Generieren Sie Simulationsdaten aus Simulink-Modellen, um Maschinenausfälle darzusellen, wenn keine realen Sensordaten vorliegen.
Organisation und Kennzeichnung von Daten
Importieren und kennzeichnen Sie Daten aus lokalen Dateien, Amazon S3™, Windows Azure Blob Storage und dem Hadoop Distributed File System.
Verwalten mehrerer Daten mithilfe eines Datenensembles.
Generierung von Ausfalldaten aus Simulink und Simscape
Simulieren Sie Ausfalldaten mithilfe von Simulink- und Simscape™- Modellen Ihrer Maschine. Ändern Sie Parameterwerte, fügen Sie Fehler hinzu und verändern Sie die Modelldynamik.
Verwalten von Daten mithilfe von Simulationsdatenensembles.
Neue Funktionen
Diagnostic Feature Designer
Extrahieren und visualisieren Sie interaktiv Merkmale aus gemessenen oder simulierten Daten, und weisen Sie ihnen Ränge zu, um Diagnosen und Prognosen für Maschinen zu erhalten.
Zustandsmetriken für Getriebe
Extrahieren Sie standardmäßige Zustandsindikatoren für Getriebe aus Signalen mit zeitsynchroner Durchschnittsbildung.
Details zu diesen Merkmalen und den zugehörigen Funktionen finden Sie in den Versionshinweisen.
