Ingenieure verwenden MATLAB®, Simulink® und Predictive Maintenance Toolbox™, um Zustandsüberwachungs- und vorausschauende Instandhaltungssoftware für die IT- und OT-Systeme von Unternehmen zu entwickeln und bereitzustellen.
- Zugriff auf Streaming- und archivierte Daten über integrierte Schnittstellen für Cloud-Speicher, relationale und nicht-relationale Datenbanken sowie Protokolle wie REST, MQTT und OPC UA.
- Daten vorverarbeiten und Merkmale extrahieren, um den Gerätezustand mit Hilfe von Anwendungen für Signalverarbeitung und statistischen Verfahren zu überwachen.
- Entwicklung von Modellen des maschinellen Lernens, um die Ursache von Ausfällen zu isolieren und die Zeit bis zum Ausfall und die verbleibende Nutzungsdauer (VND) vorherzusagen.
- Implementieren Sie Algorithmen und Modelle für Systeme Ihrer Wahl im laufenden Betrieb, z. B. eingebettete Systeme, Edge-Geräte und die Cloud, indem Sie automatisch C/C++-, Python-, HDL-, PLC-, GPU-, .NET- oder Java®-basierte Softwarekomponenten generieren.
Verwendung von MATLAB und Simulink für die vorausschauende Instandhaltung
Zugriff auf Daten, egal wo diese sich befinden
Anlagendaten können strukturiert oder unstrukturiert sein und sich an verschiedensten Quellen befinden, z. B. lokalen Dateien, OPC-UA-Server, Cloud-Systemen (wie AWS® S3 oder Azure® Blob), Datenbanken und Datensammlungen wie das OSIsoft® PI System™. 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.

Weitere Informationen

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.
Fehlererkennung und -vorhersage 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)
- Machine Learning: Merkmalsauswahl und -klassifizierung (4:01)
- Drei Wege zur Abschätzung der verbleibenden Nutzungsdauer: Vorausschauende Wartung mit MATLAB
- Digitale Zwillinge für die vorausschauende Wartung

Einsatz von Algorithmen in Produktionssystemen
Verkürzen Sie Antwortzeiten, übertragen Sie geringere Datenmengen 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.
Weitere Informationen
- Referenzarchitekturen für die Integration von AWS und Azure Cloud mit MATLAB
- Codegenerierung für eingebettete Systeme
- Bereitstellung von Anwendungen im Web
- Internet der Dinge mit MATLAB und Simulink
- Alles, was Sie über föderales Lernen mit physikalischen Modellen wissen müssen (32:29)
- Bereitstellung von trainierten Vorhersagemodellen auf Zielsystemen