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。
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。
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。
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。
风力涡轮机轴承的 RUL 估计。
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。
