Predictive Maintenance Toolbox

Entwerfen und Testen von Algorithmen zur Zustandsüberwachung und vorausschauenden Instandhaltung

Haben Sie noch Fragen? Kontaktieren Sie den Vertrieb.

Die Predictive Maintenance Toolbox bietet zahlreiche Funktionen und Apps für die Entwicklung von Algorithmen zur Zustandsüberwachung und vorausschauenden Instandhaltung von Motoren, Getrieben, Lagern, Batterien und anderen Anwendungen. Mit der Toolbox lassen sich Zustandsindikatoren erstellen, Fehler und Anomalien erkennen und die Restnutzungsdauer (RUL) abschätzen.

Mithilfe der Diagnostic Feature Designer-App können Sie interaktiv Merkmale auf Zeit-, Frequenz-, Zeit-Frequenz- und Physikbasis extrahieren. Anschließend können Sie die Merkmale einordnen und exportieren, um anwendungsspezifische Algorithmen für die Fehler- und Anomalieerkennung zu entwickeln. Zur Schätzung der RUL stehen verschiedene überlebens-, ähnlichkeits- und trendbasierte Modelle zur Verfügung.

Die Toolbox erleichtert Ihnen die Organisation und Analyse von Sensordaten, die aus lokalen Dateien, Cloud-Speichern und verteilten Dateisystemen importiert wurden. Mittels Simulink- und Simscape-Modellen lassen sich simulierte Fehlerdaten erzeugen.

Um Ihre Algorithmen zu operationalisieren, können Sie C/C++ Code zur Implementierung auf Edge-Geräten generieren oder Produktionsanwendungen für die Cloud-Bereitstellung erstellen. Die Toolbox enthält anwendungsspezifische Referenzbeispiele, die Sie für die Entwicklung und den Einsatz benutzerdefinierter Algorithmen zur vorausschauenden Instandhaltung wiederverwenden können.

Was ist die Predictive Maintenance Toolbox?

Die Diagnostic Feature Designer-App zeigt Signaldaten in vier Fensterbereichen an: Signalkurven, Leistungsspektren, eine Tabelle mit nach einer One-Way-ANOVA geordneten Merkmalen sowie ein Balkendiagramm, das die Merkmale nach ihrer Bedeutsamkeit sortiert.

Merkmalserkundung und -extraktion (Feature Engineering)

Verwenden Sie die Diagnostic Feature Designer-App oder extrahieren und bewerten Sie programmgesteuert bestimmte Merkmale aus Sensordaten mit signal- und modellbasierten Ansätzen zur Fehlerdetektion und -vorhersage mit KI.

Merkmalsentwicklung für vorausschauende Instandhaltung (3:03)

Dokumentation | Beispiele

Ein Diagramm mit zwei Gruppen von Leistungsspektren. Die schwarze Gruppe ist als normal und die rote Gruppe als fehlerhaft gekennzeichnet. Die rote Gruppe weist bei einigen Frequenzen größere Magnitudenspitzen auf.

Erkennung von Fehlern und Anomalien

Verwenden Sie KI sowie statistische und dynamische Modellierungsmethoden zum Condition Monitoring. Verfolgen Sie Änderungen in Ihrem System, erkennen Sie Anomalien und identifizieren Sie Fehler.

Dokumentation | Beispiele

RUL-Schätzung

Trainieren Sie RUL-Schätzmodelle anhand historischer Daten, um die Zeit bis zum Ausfall vorherzusagen und Instandhaltungspläne zu optimieren.

Drei Wege zur Abschätzung der verbleibenden Nutzungsdauer

Dokumentation | Beispiele

Ein MATLAB-Diagramm der elektrischen Daten eines Motors mit farbigen Bändern zur Hervorhebung der ersten sechs harmonischen Fehlerbänder und Seitenbänder.

Rotierende Maschinen

Extrahieren Sie physikalische Merkmale, die typisch für rotierende Maschinen sind. Klassifizieren Sie Lagerfehler, erkennen Sie Lecks in Pumpen, beobachten Sie Veränderungen in der Motorleistung, identifizieren Sie Fehler in Getrieben und vieles mehr. Mit einer Bibliothek von Referenzbeispielen können Sie direkt loslegen.

Dokumentation | Beispiele

MATLAB Programmcode, der zeigt, wie ein fileEnsembleDatastore aus einem Satz lokal gespeicherter Schwingungsdateien erstellt wird. Die Ausgabe zeigt das Ensemble in Form einer umfangreichen Tabelle.

Datenmanagement und Vorverarbeitung

Zugriff auf Sensordaten, die lokal oder per Fernzugriff gespeichert wurden. Bereiten Sie die Daten für die Entwicklung von Algorithmen vor, indem Sie auffällige Abweichungen entfernen, filtern und verschiedene Zeit-, Frequenz- und Zeit-Frequenz-Vorverarbeitungsmethoden anwenden.

Dokumentation | Beispiele

Ein Simscape-Modell, das ein Pumpengehäuse, drei Kolben und eine Kurbelwelle zeigt, die miteinander verbunden sind.

Generierung von Störungsdaten

Simulieren Sie selten auftretende Fehler und Beeinträchtigungen mit physikbasierten Modellen, die in Simulink und Simscape erstellt wurden. Ändern Sie Parameterwerte, fügen Sie Fehler hinzu und verändern Sie die Modelldynamik. Erstellen Sie digitale Zwillinge, um die Leistung zu überwachen und künftiges Verhalten vorherzusagen.

Was ist ein digitaler Zwilling? (8:28)

Dokumentation | Beispiele

Ein MATLAB Coder Report zeigt auf der linken Seite MATLAB Programmcode für eine RUL-Vorhersagefunktion und auf der rechten Seite den entsprechenden C++ Code. Eine farbige Region bildet eine einzelne Zeile MATLAB Programmcode auf mehreren Zeilen C++ Code ab.

Bereitstellung am Edge

Verwenden Sie den MATLAB Coder , um C/C++ Code direkt aus den Funktionen zur Merkmalsberechnung, den Algorithmen zur Zustandsüberwachung und den prädiktiven Algorithmen für die Edge-Verarbeitung in Echtzeit zu erzeugen.

Dokumentation | Beispiele

Bereitstellung prädiktiver Algorithmen in Ihrem Unternehmens-Ökosystem mithilfe des MATLAB Production Server.

Bereitstellung in der Cloud

Verwenden Sie den MATLAB Compiler und MATLAB Compiler SDK zur Skalierung von Algorithmen in der Cloud als gemeinsam genutzte Bibliotheken, Pakete, Web-Apps, Docker-Container und mehr. Die Bereitstellung erfolgt auf dem MATLAB Production Server unter Microsoft^® Azure^® oder AWS^® ohne Umkodierung.

Dokumentation | Beispiele