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。您可以通过从传感器数据中提取特征来监控电池、电机、变速器和其他机器的运行状况。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、泵、轴承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。
故障数据生成
使用 Simulink 和 Simscape 模型生成仿真的故障和退化数据。修改参数值、注入故障和更改模型动态特性。创建数字孪生来监控性能和预测将来行为。
云部署
使用 MATLAB Compiler 和 MATLAB Compiler SDK 将云中的算法扩展为共享库、包、Web App、Docker 容器等。无需重新编码即可将 MATLAB Production Server 部署到 Microsoft® Azure® 或 AWS® 上。
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。