Predictive Maintenance Toolbox
Entwerfen und Testen von Algorithmen zur Zustandsüberwachung und Predictive Maintenance
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 Wartung 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 Predictive Maintenance wiederverwenden können.
Anomalie- und Fehlerdetektion
Trainieren Sie statistische, Machine Learning- und Deep Learning-Algorithmen, um Anomalien und Fehler in Zeitreihendaten zu erkennen. Verfolgen Sie Änderungen in Ihrem System, erkennen Sie Anomalien und identifizieren Sie Fehler.
Schätzung der verbleibenden Nutzungsdauer (Remaining Useful Life, RUL)
Trainieren Sie RUL-Schätzermodelle anhand historischer Daten, um die Restlebensdauer vorherzusagen. Verwenden Sie die Health Indicator Designer-App, um Merkmale interaktiv in einen kombinierten Gesundheitsindikator für das Training des RUL-Modells zu umzuwandeln.
Merkmalserkundung und -extraktion (Feature Engineering)
Verwenden Sie die App Diagnostic Feature Designer, um automatisch Merkmale zu extrahieren und einzuordnen, um statistische und KI-Modelle zu trainieren.
Komponentenspezifische vorausschauende Wartung
Wenden Sie komponentenspezifische Predictive Maintenance-Werkzeuge auf rotierende Maschinen und Batterien an. Klassifizieren Sie Lagerdefekte, erkennen Sie Lecks in Pumpen, verfolgen Sie Veränderungen in der Motorleistung, identifizieren Sie Fehler in Getrieben, erkennen Sie Anomalien in Lithium-Ionen-Zellen und Batteriepacks und schätzen Sie die verbleibende Batterielebensdauer. Eine Bibliothek von Referenzbeispielen erleichtert den direkten Einstieg.
Datenmanagement und Vorverarbeitung
Greifen Sie auf Sensordaten lokal oder per Fernzugriff zu. 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.
Synthetische Datenerzeugung
Simulieren Sie das Systemverhalten, Fehler und Verschlechterungen mithilfe physikbasierter Modelle, die in Simulink und Simscape erstellt wurden, oder bringen Sie synthetische Anomalien direkt in Zeitreihendaten ein. Erstellen Sie digitale Zwillinge, um die Leistung zu überwachen und künftiges Verhalten vorherzusagen.
Bereitstellung in Embedded-Systemen
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 Echtzeit-Embedded-Verarbeitung zu erzeugen.
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 auf Microsoft® Azure® oder AWS® ohne Umkodierung.
Produktressourcen:
Videoreihe zur Predictive Maintenance
Sehen Sie sich die Videos in dieser Reihe an, um mehr über die Predictive Maintenance zu erfahren.
Predictive Maintenance Toolbox – Häufig gestellte Fragen
Die Predictive Maintenance Toolbox stellt Funktionen und Apps zum Entwerfen von Condition Monitoring- und Predictive Maintenance-Algorithmen für Motoren, Getriebe, Lager, Batterien und andere Anwendungen bereit und ermöglicht das Entwerfen von Zustandsindikatoren, das Erkennen von Fehlern und Anomalien sowie die Schätzung der Restlebensdauer (RUL).
Die Diagnostic Feature Designer-App ermöglicht das interaktive Extrahieren von zeit-, frequenz-, zeit-frequenz- und physikbasierten Merkmalen aus Sensordaten, deren Bewertung und Rangfolge nach Wirksamkeit sowie den Export zur Entwicklung anwendungsspezifischer Algorithmen zur Fehler- und Anomalieerkennung.
Die Toolbox enthält Survival-, Similarity- und Degradationsmodelle, die auf historischen Daten trainiert werden können, um die Zeit bis zum Ausfall vorherzusagen.
Ja, Sie können mit MATLAB Coder C/C++-Code für den Embedded-Einsatz generieren oder Produktionsanwendungen für die Cloud-Bereitstellung mit MATLAB Compiler, MATLAB Compiler SDK oder MATLAB Production Server erstellen.
Sie können mehrkanalige, mehrteilige Zeitreihen-Sensordaten organisieren und analysieren, die aus lokalen Dateien, Cloud-Speicher und verteilten Dateisystemen importiert werden. Außerdem können Sie simulierte Ausfalldaten aus Simulink- und Simscape-Modellen erzeugen.
Die Toolbox kann zwar für jede Predictive Maintenance-Anwendung mit Zeitreihen-Sensordaten verwendet werden, enthält jedoch auch komponentenspezifische Werkzeuge und Referenzbeispiele für rotierende Maschinen und Batterien. Dazu gehören das Klassifizieren von Lagerfehlern, das Erkennen von Leckagen in Pumpen, das Nachverfolgen von Veränderungen der Motorleistung, das Identifizieren von Getriebefehlern, das Erkennen von Anomalien in Lithium-Ionen-Zellen und Batteriepacks sowie das Schätzen der verbleibenden Zyklenlebensdauer der Batterie.
Time Series Anomaly Detection for MATLAB ist ein Support-Paket für die Predictive Maintenance Toolbox. Dieses Support-Paket enthält Funktionen und eine App zur Charakterisierung des normalen Systemverhaltens und zur Erkennung von Anomalien in Zeitreihen-Sensordaten mithilfe sofort trainierbarer statistischer, Machine-Learning- und Deep-Learning-Detektoren.
Predictive Maintenance Toolbox kostenlos ausprobieren
Entdecken Sie noch heute die Möglichkeiten.
Bereit zum Kauf?
Angebot anfordern und Erweiterungsprodukte entdecken.
Studieren Sie?
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.
