MATLAB 和 Simulink 在预测性维护中的应用
MATLAB®、Simulink® 和 Predictive Maintenance Toolbox™ 帮助工程师开发和部署面向企业 IT 和 OT 系统的状态监控和预测性维护软件。
- 使用连接云存储的内置接口、关系型和非关系型数据库以及 REST、MQTT 和 OPC UA 等协议访问流数据和存档数据。
- 使用多种信号处理和统计方法 App 来预处理数据并提取特征以监控设备运行状况。
- 建立机器学习模型，以隔离故障根源并预测故障时间及剩余使用寿命 (RUL)。
- 自动生成基于 C/C++、Python、HDL、PLC、GPU、.NET 或 Java® 的软件组件，将算法和模型部署到您投产运行的系统，例如嵌入式系统、边缘设备和云。
使用 MATLAB 和 Simulink 进行预测性维护
了解如何获取足够的数据和故障数据、预测故障，以及构建预测性维护算法。
访问各种来源的数据
设备数据可以是结构化数据，也可以是非结构化数据，它们存储于本地文件、云（例如 AWS® S3、Azure® Blob）、数据库以及历史数据库等多种数据源。无论数据在哪里，您都可以使用 MATLAB 获取数据。当您没有足够的故障数据时，可以向机器设备的 Simulink 模型输入信号故障以生成故障数据，并对系统故障动态进行建模。
整理和探查您的数据以实现简化
数据通常是杂乱的。在 MATLAB 的帮助下，您可以对数据进行预处理、降维处理和特征工程处理。
- 对不同采样率的数据进行调整，并处理缺失值和离群值。
- 使用高级信号处理方法移除噪声、筛选数据并分析瞬态或变化的信号。
- 使用统计和动态方法进行特征提取和选择，以简化数据集并减少预测模型过拟合。
使用机器学习检测和预测故障
运用分类、回归和时序建模方法确定故障根源并预测故障时间。
- 交互式探查并选择最重要的变量来估算 RUL 或对故障模式进行分类。
- 使用内置函数训练、比较和验证多个预测模型。
- 计算并可视化置信区间以量化预测中的不确定性。
