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:
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。
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。
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。
Diagnostic Feature Designer 应用程序
为应用程序中自动执行的信号处理、特征提取和特征排序任务生成MATLAB代码
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
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。