Predictive Maintenance Toolbox
设计和测试状态监控和预测性维护算法
通过 Predictive Maintenance Toolbox™，您可以管理传感器数据、设计状态指标并估计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 App，通过基于数据和基于模型的方法（包括统计、频谱和时序分析），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，从而监控旋转机器的运行状况。要估计机器的故障时间，可以使用生存模型、相似性模型和基于趋势的模型来预测 RUL。
您可以组织和分析来自本地文件、云存储和分布式文件系统的传感器数据。您可以标注从 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示例，您可以重用这些示例来开发自定义的预测性维护和状态监控算法。
为实现算法运营化，您可以生成 C/C++ 代码以部署到边缘，或创建生产应用程序以部署到云。
开始：
故障和异常检测
使用变化点检测、卡尔曼滤波器和控制图跟踪系统中的变化，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。
RUL 估计模型
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 估计算法的类型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、退化和生存 RUL 模型。
使用分类学习器诊断故障。
诊断特征设计器
对特征进行提取、可视化和排名，以设计用于监控机器运行状况的状态指标。从该 App 生成 MATLAB 代码，实现整个过程的自动化。
基于信号的状态指标
使用雨流计数、谱峰检测、谱峭度以及其他时域、频域和时频域方法，从原始或预处理的传感器数据中提取特征。使用实时编辑器任务以交互方式执行相空间重构并提取非线性信号特征。
基于时频的状态指标。
基于自回归模型的状态指标。
将预测性维护算法部署到 PLC
云部署
使用 MATLAB Compiler™ 和 MATLAB Compiler SDK™ 将预测性维护算法部署为 C/C++ 共享库、Web App、Docker 容器、Microsoft® .NET 程序集、Java® 类和 Python® 包。将生成的库部署到 Microsoft® Azure® 或 AWS® 上的 MATLAB Production Server™，或部署到专用的本地服务器，无需重新编码或创建自定义基础架构。
部署的预测性维护系统的组件
风力发电机轴承的 RUL 估计。
泵、电机和电池
开发算法以检测泵泄漏和堵塞、跟踪电机摩擦变化，以及估计电池性能随时间发生的退化。
三缸泵的故障分类。
数据导入和组织
从本地文件、Amazon S3™、Windows Azure® Blob 存储及 Hadoop® 分布式文件系统中导入数据。
使用数据集成管理多个文件。
从 Simulink 和 Simscape 生成故障数据
使用机器的 Simulink 和 Simscape™ 模型，对故障数据进行仿真和标注。修改参数值、注入故障和更改模型动态特性。
使用仿真数据集成管理数据。
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。
