Predictive Maintenance Toolbox

 

Predictive Maintenance Toolbox

Entwerfen und Testen von Algorithmen zur Zustandsüberwachung und vorausschauenden Instandhaltung

Jetzt beginnen:

Fehlererkennung und Schätzung der Restnutzungsdauer

Erkennen Sie Anomalien, diagnostizieren Sie Fehlerursachen und schätzen Sie die Restnutzungsdauer mithilfe von Machine Learning und Zeitreihenmodellen.

Erkennung von Fehlern und Anomalien

Verfolgen Sie die Änderungen in Ihrem System mit, um das Vorhandensein von Anomalien und Fehlern durch die Erkennung von Änderungspunkten, Kalman-Filtern und Kontrolldiagrammen festzustellen.

Erkennung von Anomalien mithilfe von Spektralspitzen, die aus datenbasierten Zustandsraummodellen extrahiert wurden.

Fehlererkennung mithilfe datenbasierter Modelle.

Modelle zur Schätzung der Restnutzungsdauer

Schätzen Sie die Restnutzungsdauer einer Maschine, um die Zeit bis zum Ausfall vorherzusagen und Wartungspläne zu optimieren. Die Art des verwendeten Algorithmus zur Schätzung der Restnutzungsdauer hängt von den aus den Daten extrahierten Zustandsindikatoren und von der verfügbaren Menge an Daten ab.

Ähnlichkeits-, Degradations- und Überlebenszeitmodelle für die Restnutzungsdauer.

Ähnlichkeits-, Degradations- und Überlebenszeitmodelle für die Restnutzungsdauer.

Fehlerdiagnose mithilfe von Klassifizierungsmodellen

Isolieren Sie die Ausfallursache, indem Sie mithilfe von Support-Vector-Maschinen, k-Means-Algorithmen und anderen Machine-Learning-Techniken Klassifizierungs- und Clusteringmodelle trainieren.

Die Punktwolke zeigt die vom trainierten Klassifizierungsmodell getroffenen richtigen und falschen Vorhersagen.

Das Diagnostizieren von Fehlern mithilfe der Classification Learner-App.

Entwurf eines Zustandsindikators

Extrahieren Sie mithilfe signal- und modellbasierter Ansätze Merkmale aus Sensordaten. Die extrahierten Merkmale dienen dann als Eingabewerte für Diagnostik- und Machine-Learning-Algorithmen.

Diagnostic Feature Designer-App

Extrahieren, visualisieren und ordnen Sie Merkmale ein, um Zustandsindikatoren zur Überwachung des Maschinenzustands zu entwerfen. Generieren Sie MATLAB Programmcode über die App, um den gesamten Vorging zu automatisieren.

Signalbasierte Zustandsindikatoren

Extrahieren Sie mithilfe von Rainflow-Zählung, Erkennung von Spektralspitzen, spektraler Kurtosis und anderer Techniken im Zeit-, Frequenz- und Zeit-Frequenz-Bereich Merkmale aus Roh- oder vorverarbeiteten Sensordaten. Verwenden Sie Live Editor Tasks, um interaktiv eine Phasenraumrekonstruktion durchzuführen und nicht lineare Signalmerkmale zu extrahieren.

Spektrale Kurtosis von in einem Lager gemessenen Vibrationsdaten mit Varianzen über Zeit und Frequenz.

Zeit-Frequenz-basierter Zustandsindikator.

Modellbasierte Zustandsindikatoren

Passen Sie lineare und nicht lineare Zeitreihenmodelle, Zustandsraummodelle und Transferfunktionsmodelle an Sensordaten an. Verwenden Sie die Eigenschaften und Merkmale dieser angepassten Modelle als Zustandsindikatoren.

Autoregressive Modelle 10. Ordnung passen zu Vibrationsdaten aus beschädigten und unbeschädigten Anlagen.

Autoregressiver modellbasierter Zustandsindikator.

Bereitstellung am Edge bzw. in der Cloud

Bereitstellung von Algorithmen zur Zustandsüberwachung und vorausschauenden Instandhaltung auf Edge-Geräten bzw. in cloudbasierten Produktionsanwendungen

Bereitstellung am Edge

Generieren Sie mit MATLAB Coder™ C/C++ Code für Restnutzungsdauermodelle und Merkmalsberechnungen.

Bereitstellung von Algorithmen zur vorausschauenden Instandhaltung auf einem SPS

Bereitstellung von Algorithmen zur vorausschauenden Instandhaltung auf einem SPS

Bereitstellung in der Cloud

Stellen Sie mit dem MATLAB Compiler™ und der MATLAB Compiler SDK™ Algorithmen zur vorausschauenden Instandhaltung als gemeinsam genutzte C/C++ Bibliotheken, Web-Apps, Docker-Container, Microsoft® .NET Assemblies, Java®-Klassen und Python®-Pakete bereit.. Die generierten Bibliotheken lassen sich ohne Umprogrammierung oder Erstellung einer kundenspezifischen Infrastruktur auf dem MATLAB Production Server™ in Microsoft® Azure®, AWS® oder spezifischen, lokal installierten Servern bereitstellen.

Komponenten eines bereitgestellten Systems zur vorausschauenden Instandhaltung

Komponenten eines bereitgestellten Systems zur vorausschauenden Instandhaltung

Referenzbeispiele zur Entwicklung von Algorithmen

Entwickeln Sie Algorithmen zur Zustandsüberwachung und vorausschauenden Instandhaltung für Akkus, Getriebe, Pumpen und andere Maschinenteile.

Lager und Getriebe

Entwickeln Sie Algorithmen zur Klassifizierung von Fehlern im Innen- und Außenring, Erkennung von Getriebefehlern und Schätzung der Restnutzungsdauer.

Alpha-Lambda-Diagramm zur Schätzung der Restnutzungsdauer eines Windturbinenlagers.

Schätzung der Restnutzungsdauer eines Windturbinenlagers.

Pumpen, Motoren und Akkus

Entwickeln Sie Algorithmen zur Erkennung von Lecks und Verstopfungen in Pumpen, Verfolgung von Veränderungen der Motorreibung und Schätzung der zeitlichen Leistungsverschlechterung von Akkus.

Simulink- und Simscape-Modell einer Triplex-Hubkolbenpumpe.

Fehlerklassifizierung in einer Triplexpumpe.

Datenverwaltung

Zugriff auf Daten, ganz gleich wo diese sich befinden. Generieren Sie Simulationsdaten aus Simulink-Modellen, um Maschinenausfälle darzustellen, wenn keine realen Sensordaten vorliegen.

Datenimport und -organisation

Importieren und kennzeichnen Sie Daten aus lokalen Dateien, Amazon S3™, Windows Azure® Blob Storage und dem Hadoop® Distributed File System.

Datenensemble zur Verwaltung von Vibrationsdaten aus einem Kugellager.

Verwalten mehrerer Daten mithilfe eines Datenensembles.

Generierung von Ausfalldaten aus Simulink und Simscape

Simulieren und kennzeichnen Sie Ausfalldaten mithilfe von Simulink- und Simscape™-Modellen Ihrer Maschine. Ändern Sie Parameterwerte, fügen Sie Fehler hinzu und verändern Sie die Modelldynamik.

Simulationsdatenensemble zur Verwaltung von Ausfalldaten, die aus einem Simulink-Modell eines Getriebegehäuses generiert wurden.

Verwaltung von Daten mithilfe von Simulationsdatenensembles.

Videoreihe zur vorausschauenden Instandhaltung

Sehen Sie sich die Videos in dieser Reihe an, um mehr über die vorausschauende Instandhaltung zu erfahren.