Predictive Maintenance Toolbox

 

Predictive Maintenance Toolbox

设计和测试状态监控和预测性维护算法

开始:

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序模型估计 RUL。

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。

使用分类模型进行故障诊断

使用支持向量机、k 均值聚类和其他机器学习方法训练分类和聚类模型,用以找出故障的根本原因。

使用分类学习器诊断故障。

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。

状态指标设计

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。

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。

基于模型的状态指标

对传感器数据进行线性和非线性时序模型、状态空间模型和传递函数模型拟合。使用这些拟合模型的属性和特性作为状态指标。

基于自回归模型的状态指标。

算法开发的参考示例

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、齿轮齿故障检测和 RUL 估计的算法。

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。

数据管理

访问各种来源的数据。在缺少真实传感器数据的情况下,从 Simulink 模型生成仿真数据来表示机器故障。

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。

部署到边缘和云

将状态监控和预测性维护算法部署到边缘设备,或作为生产应用程序部署到云

边缘部署

使用 MATLAB Coder™ 为 RUL 模型和特征计算生成 C/C++ 代码。

将预测性维护算法部署到 PLC

云部署

使用 MATLAB Compiler™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

预测性维护系列视频

观看本系列视频,了解预测性维护。