MATLAB und Simulink für die vorausschauende Wartung
Engineers use MATLAB®, Simulink®, and Predictive Maintenance Toolbox™ to develop and deploy condition monitoring and predictive maintenance software to enterprise IT and OT systems.
- Access streaming and archived data using built-in interfaces to cloud storage, relational and nonrelational databases, and protocols such as REST, MQTT, and OPC UA.
- Preprocess data and extract features to monitor equipment health using apps for signal processing and statistical techniques.
- Develop machine learning models to isolate root cause of failures and predict time-to-failure and remaining useful life (RUL).
- Deploy algorithms and models to your choice of in-operation systems such as embedded systems, edge devices, and the cloud by automatically generating C/C++, Python, HDL, PLC, GPU , .NET, or Java® based software components.
Reduce Downtime and Operational Costs: Achieve Results Faster with MathWorks Consulting
Kostenloses E-Book
Vorausschauende Instandhaltung mit MATLAB
Using MATLAB and Simulink for Predictive Maintenance
Zugriff auf Daten, egal wo diese sich befinden
Daten aus Geräten können strukturiert oder unstrukturiert sein und sich in verschiedenen Quellen, wie lokale Dateien, der Cloud (z. B. AWS® S3, Azure® Blob), in Datenbanken und in Datensammlungen, befinden. Ganz gleich, wo die Daten sind: Mit MATLAB können Sie auf Ihre Daten zugreifen. Wenn Sie nicht genug Fehlerdaten haben, können Sie diese aus einem Simulink-Modell Ihrer Maschine oder Anlage generieren, indem Sie Signalfehler injizieren und die Systemausfalldynamik modellieren.
Bereinigen und untersuchen Sie Ihre Daten, um sie zu vereinfachen
Daten sind chaotisch. Mit MATLAB können Sie diese vorverarbeiten, ihre Dimensionalität reduzieren und Funktionen entwickeln.
- Gleichen Sie Daten an, die mit unterschiedlichen Raten abgetastet werden, und berücksichtigen Sie fehlende Werte und Ausreißer.
- Entfernen Sie Rauschen, filtern Sie die Daten und analysieren Sie transiente oder sich verändernde Signale mithilfe fortgeschrittener Signalverarbeitungsverfahren.
- Vereinfachen Sie Datensätze und reduzieren Sie die Überanpassung prädiktiver Modelle mithilfe statistischer und dynamischer Methoden zur Merkmalsextraktion und -auswahl.
Produkte erkunden
Erfassen und Prognose von Fehlern durch maschinelles Lernen
Identifizieren Sie die Ursache von Fehlern und prognostizieren Sie die Zeit bis zum Ausfall mithilfe von Klassifikations-, Regressions- und Zeitreihenverfahren.
- Untersuchen Sie interaktiv die wichtigsten Variablen zur RUL-Schätzung oder zur Klassifikation von Ausfallmodi, und wählen Sie die passenden aus.
- Trainieren, vergleichen und validieren Sie mehrere prädiktive Modelle mit integrierten Funktionen.
- Berechnen und visualisieren Sie Konfidenzintervalle, um die Unsicherheit bei Prognosen zu quantifizieren.
Weitere Informationen
- Entscheidungsmodelle für Fehlererfassung und -diagnose
- Techniken zur Vorhersage der verbleibenden Nutzungsdauer (VND)
- Funktionsauswahl und Klassifizierung von Daten mit der Classification Learner-App (4:01)
- Drei Möglichkeiten zur Bestimmung der verbleibenden Nutzungsdauer: Vorausschauende Wartung mit MATLAB
- Digitale Zwillinge für die vorausschauende Wartung
Produkte erkunden
Einsatz von Algorithmen in Produktionssystemen
Verkürzen Sie Antwortzeiten, übertragen Sie weniger Daten und stellen Sie Ergebnisse sofort den Mitarbeitern in der Fertigung zur Verfügung, indem Sie Ihre MATLAB-Algorithmen auf Embedded-Geräten und in Enterprise-IT/OT-Systemen implementieren.