MATLAB und Simulink für Predictive Maintenance
Ingenieure setzen MATLAB® und Simulink® ein, um Software für die Zustandsüberwachung und für Predictive Maintenance für IT- und OT-Systeme zu entwickeln und bereitzustellen.
- Zugriff auf Streaming-Daten und archivierte Daten über integrierte Schnittstellen für Cloud-Speicher, relationale und nicht relationale Datenbanken sowie Protokollen wie REST, MQTT und OPC UA zu.
- Vorverarbeitung von Daten und Funktionen zur Merkmalsextraktion zur Überwachung des Gerätezustandes mit Hilfe von Apps für die Signalverarbeitung und statische Verfahren zu überwachen.
- Entwicklung von Machine Learning-Modellen zur Identifizierung von Fehlerursachen und Vorhersage der Zeit bis zum Ausfall und das Remaining Useful Life (RUL, wirtschaftliche Restlebensdauer).
- Bereitstellung von Algorithmen und Modellen für im Betrieb befindliche Systeme wie Embedded Systeme, Edge-Geräte und die Cloud durch automatische Generierung von Softwarekomponenten auf Basis von C/C++, Python, HDL, PLC, GPU, .NET oder Java®.
Zugriff auf Daten, wo immer diese sich befinden
Daten aus Geräten können strukturiert oder unstrukturiert sein und sich in verschiedenen Quellen wie lokale Dateien, in 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.
Bereinigung und Untersuchung Ihrer Daten, um sie zu vereinfachen
Daten sind kompliziert und chaotisch. Mit MATLAB können Sie diese vorverarbeiten, ihre Dimensionalität reduzieren und Funktionen entwickeln.
- Gleichen Sie Daten an, die mit unterschiedlichen Abtastraten 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.
Erkennung und Prognose von Fehlern und Ausfällen mit Machine Learning
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 Schätzung des RUL 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
- Decision Models for Fault Detection and Diagnosis
- Techniques for Predicting Remaining Useful Life (RUL)
- Funktionsauswahl und Klassifizierung von Daten mit der Classification Learner-App (4:01)
- Three Ways to Estimate Remaining Useful Life: Predictive Maintenance with MATLAB
- Digitale Zwillinge für Predictive Maintenance
Bereitstellung 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.
- Beseitigen Sie manuelles Programmierung durch automatische Generierung von C/C++-Code aus MATLAB und Simulink für Zielsysteme und Edge-Geräte.
- Skalieren Sie Ihre MATLAB-Analysen in der Cloud mit Produktionsservern und integrieren Sie diese in Spotfire, PI Server und weitere Plattformen.
Kostenlose Testversion anfordern
30 Tage Ausprobieren zum Greifen nah.
