Predictive Maintenance Toolbox

设计和测试状态监控和预测性维护算法

Predictive Maintenance Toolbox™ 可让您标记数据,设计状态指标并估算机器的剩余使用寿命 (RUL)。

该工具箱提供了多个函数和一个交互式应用程序,通过基于数据和基于 模型的技术(包括统计、频谱和时间序列分析),对特征进行探索、提取和 排序。您可以使用频率和时频方法从振动数据中提取特征,从而监控旋 转机器(如轴承和变速箱)的健康状况。要估算机器发生故障的时间, 可以使用基于生存、相似性和趋势的模型来预测 RUL。

您可以分析和标记从本地文件、云存储和分布式文件系统中导入的传感器数据。您还能标记从 Simulink® 模型生成的仿真故障数据。该工具箱包括电机、变速箱、电池和其他机器的参考范例,可以重用来开发自定 义的预测性维护和状态监控算法。

故障检测和剩余使用寿命 (RUL) 估计

检测异常、诊断故障的根本原因,并使用机器学习和时间序列模型估计 RUL。

RUL 估算模型

估计机器的 RUL,以帮助您预测故障时间并优化维护计划。所用的 RUL 估计算法 取决于从数据中提取的状态指标,以及可用的数据量。

相似性、退化和残存 RUL 模型。

基于分类模型的故障诊断

通过使用支持向量机,k 均值聚类和其他机器学习技术,训练分类和聚 类模型,以找出故障的根本原因。

使用 Classification Learner 应用 程序进行故障诊断。

故障和异常检测

使用变点检测、卡尔曼滤波器和控制图来跟踪系统中的变化,以确定 是否存在异常和故障。

使用基于数据的模型进行故障检 测。

状态指标的设计

使用基于信号和基于模型的方法,从传感器数据中提取特征。使用提取的特征作为 诊断和机器学习算法的输入。

Diagnosic Feature Designer 应用程序

对特征进行提取、可视化和排序,以设计用于监控机器健康状况的状态 指标。

基于信号的状态指示器

使用雨流计数、谱峰值检测、谱峭度以及其他时间、频率和时频域技 术,从原始或预处理的传感器数据中提取特征。

基于时间频率的状态指标。

基于模型的状态指标

将线性和非线性时间序列模型、状态空间模型和传递函数模型拟合到传感器 数据。使用这些拟合模型的属性和特征作为状态指标。

自回归、基于模型的状态指标。

算法开发参考示例

为电池、变速箱、泵和其他机器开发状态监控和预测性维护算法。

轴承和变速箱

开发用于内外圈故障分类、齿轮齿故障和 RUL 估计算法。

风力涡轮机轴承的 RUL 估计。

泵、电机和电池

开发用于泵泄漏和堵塞检测、电机摩擦变化跟踪以及电池随时间退化的估计算法。

三缸泵的故障分类。

数据管理和标记

访问无处不在的数据。从 Simulink 模型中生成仿真数据,用于在没有真实传感器 数据的情况下表示机器故障。

数据组织和标注

从本地文件、Amazon S3™、Windows Azure® Blob 存储及 Hadoop® 分布式文件系统中导入并标注数据。

使用数据集合管理多个文件。

从 Simulink 和 Simscape 生成故障数据

使用机器的 Simulink 和 Simscape™ 模型,进行故障数据仿真。修改参 数值、注入故障和更改模型动态。

使用仿真数据集合管理数据。

最新特性

实时编辑器任务

交互式执行相空间重构并提取基于信号的非线性状态指标

旋转机械的频谱分析

定义频带并提取频谱特征

关于这些功能和相应函数的详细信息,请参阅 发行说明

为企业 IT/OT 系统和嵌入式设备 开发和部署预测性维护软件。
了解如何使用生存、退化和相似 性模型来估计 RUL。
详细了解预测性维护概念和工作 流程。

获取免费试用版

30 天探索触手可及。

马上下载

准备购买?

获取详细价格和并探索相关产品。

您是学生吗?

获得 MATLAB 和 Simulink 学生版软件。

了解更多