Predictive Maintenance Toolbox
Entwerfen und Testen von Algorithmen zur Zustandsüberwachung und vorausschauenden Instandhaltung
Mit der Predictive Maintenance Toolbox™ können Sie Sensordaten verwalten, Zustandsindikatoren entwerfen und die Restnutzungsdauer (Remaining Useful Life – RUL) einer Maschine abschätzen.
Die Toolbox bietet Funktionen und eine interaktive App, um Merkmale mithilfe daten- und modellbasierter Techniken wie statistischer, spektraler und zeitreihenbasierter Analysen zu erkunden, zu extrahieren und einzuordnen. Sie können den Zustand rotierender Maschinen überwachen, in dem Sie mithilfe von Frequenz- und Zeit-Frequenz-Methoden Merkmale aus Vibrationsdaten extrahieren. Um die Zeit bis zum Ausfall einer Machine abzuschätzen, können Sie die Restnutzungsdauer mit Überlebenszeit-, Ähnlichkeits- und trendbasierten Modelle vorhersagen.
Aus lokalen Dateien, Cloud-Speichern und verteilten Dateisystemen importierte Sensordaten lassen sich organisieren und analysieren. Mit Simulink®-Modellen können Ausfalldaten generiert und gekennzeichnet werden. Die Toolbox umfasst Referenzbeispiele für Motoren, Getriebe, Akkus und andere Maschinen, die zur Entwickelung kundenspezifischer Algorithmen zur vorausschauenden Instandhaltung und Zustandsüberwachung wiederverwendbar sind.
Zur Operationalisierung Ihrer Algorithmen generieren Sie C/C++ Code bzw. erstellen Sie eine Produktionsanwendung, um sie am Edge bzw. in der Cloud bereitzustellen.
Jetzt beginnen:
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.
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.
Das Diagnostizieren von Fehlern mithilfe der Classification Learner-App.
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.
Fehlererkennung mithilfe datenbasierter Modelle.
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.
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.
Autoregressiver modellbasierter Zustandsindikator.
Lager und Getriebe
Entwickeln Sie Algorithmen zur Klassifizierung von Fehlern im Innen- und Außenring, Erkennung von Getriebefehlern und Schätzung der Restnutzungsdauer.
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.
Fehlerklassifizierung in einer Triplexpumpe.
Datenimport und -organisation
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 und kennzeichnen Sie Ausfalldaten mithilfe von Simulink- und Simscape™-Modellen Ihrer Maschine. Ändern Sie Parameterwerte, fügen Sie Fehler hinzu und verändern Sie die Modelldynamik.
Verwaltung von Daten mithilfe von Simulationsdatenensembles.
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 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
Produktressourcen:
Videoreihe zur vorausschauenden Instandhaltung
Sehen Sie sich die Videos in dieser Reihe an, um mehr über die vorausschauende Instandhaltung zu erfahren.
