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。
开始:
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。
使用 Classification Learner 应用 程序进行故障诊断。
使用基于数据的模型进行故障检 测。
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。
自回归、基于模型的状态指标。
风力涡轮机轴承的 RUL 估计。
三缸泵的故障分类。
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。
