Predictive Maintenance Toolbox 提供用于设计电机、变速箱、轴承、电池与其他应用的健康监测和预测性维护算法的函数及 App。该工具箱支持您设计状态指标、检测故障和异常，以及估计剩余使用寿命 (RUL)。
使用诊断特征设计器，您可以通过交互方式提取时间、频率、时频和基于物理的特征。您可以对特征进行排名和导出，以开发用于故障和异常检测的应用特定算法，还可以使用生存模型、相似性模型和基于趋势的模型估计剩余使用寿命。
借助该工具箱，您可以组织和分析从本地文件、云存储和分布式文件系统导入的传感器数据。您可以从 Simulink 和 Simscape 模型生成仿真的故障数据。
为实现算法运营化，您可以为边缘部署生成 C/C++ 代码，或为云部署创建生产应用。该工具箱包括应用特定的参考示例，您可以重用这些示例来开发和部署自定义的预测性维护算法。
异常和故障检测
训练统计、机器学习和深度学习算法，以检测时间序列数据中的异常和故障。跟踪系统中的变化，检测异常，并识别故障。
剩余使用寿命 (RUL) 估计
基于历史数据训练 RUL 估计器模型，以预测故障发生时间。使用健康指标设计工具以交互方式将多项特征转换为综合健康指标，用于训练 RUL 模型。
云部署
使用 MATLAB Compiler 和 MATLAB Compiler SDK 在云中将算法扩展为共享库、软件包、Web App、Docker 容器等多种形式。无需重新编码即可部署到 Microsoft® Azure® 或 AWS® 上的 MATLAB Production Server。
产品资源:
预测性维护系列视频
观看本系列视频，了解预测性维护。
Predictive Maintenance Toolbox 常见问题解答
Predictive Maintenance Toolbox 提供函数和 App，可用于针对电机、齿轮箱、轴承、电池及其他应用设计状态监测和预测性维护算法，让您能够设计状态指标、检测故障和异常，以及估计剩余使用寿命 (RUL)。
诊断特征设计器让您能够以交互方式从传感器数据中提取时间、频率、时频和基于物理原理的特征，按有效性对它们进行排序，并将其导出，以便开发面向特定应用的故障与异常检测算法。
该工具箱包含生存模型、相似度模型和退化模型，可基于历史数据进行训练，以预测故障发生时间。
可以。您可以使用 MATLAB Coder 生成用于嵌入式部署的 C/C++ 代码，或使用 MATLAB Compiler、MATLAB Compiler SDK 或 MATLAB Production Server 创建用于云端部署的产品级应用程序。
您可以组织和分析从本地文件、云存储和分布式文件系统导入的多通道、多成员时间序列传感器数据。您还可以基于 Simulink 和 Simscape 模型生成仿真故障数据。
该工具箱可用于任何具有时间序列传感器数据的预测性维护应用，同时还包含面向旋转机械和电池的特定部件工具及参考示例。其中包括对轴承故障进行分类、检测泵的泄漏、跟踪电机性能变化、识别齿轮箱故障、检测锂离子电池单体和电池组中的异常，以及估计电池剩余循环寿命。
Time Series Anomaly Detection for MATLAB 是 Predictive Maintenance Toolbox 的支持包。该支持包包含相关函数和 App，可使用即装即用的统计、机器学习和深度学习检测器来表征正常的系统行为，并检测时间序列传感器数据中的异常。
