预测性维护

 

MATLAB 和 Simulink 在预测性维护中的应用

工程师将 MATLAB® 和 Simulink® 用于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、关系和非关系数据库的内置接口以及诸如 REST、MQTT 和 OPC UA 等协议访问流数据和存档数据
  • 使用信号处理和统计技术应用程序预处理数据并提取特征以监测设备运行状况。
  • 建立机器学习模型以隔离故障根源预测故障时间及剩余使用寿命 (RUL)。
  • 通过自动生成基于 C/C++、Python、HDL、PLC、GPU、.NET 或 Java® 的软件组件,将算法和模型部署到您选择的运行系统(例如嵌入式系统、边缘设备

“MATLAB 让我们能够将以前不可读的数据转换为可用的格式,将多卡车及区域的过滤、光谱分析和转化步骤自动化,并最终将机器学习技术实时用于预测执行维护的理想时段。”

Gulshan Singh, Baker Hughes

访问无处不在的数据

设备数据可被结构化或非结构化,它们存储于诸如本地文件、云(例如 AWS® S3、Azure® Blob)、数据库以及历史数据等多种源中。无论您的数据在哪里,您都可以使用 MATLAB 来获取。当您没有足够的故障数据时,可以通过输入信号故障,从机器设备上的 Simulink 模型来生成故障数据,并对系统故障动态进行建模。

整理和探索您的数据以实现简化

数据是散乱的。使用 MATLAB,您可以对数据进行预处理、降维处理并提取特征。

  • 对不同采样率的数据进行调整,并说明缺失值和异常值。
  • 使用先进的信号处理技术移除杂点、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的过度拟合。

使用机器学习检测和预测错误

运用分类、回归和时序建模技术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。

在生产系统中部署算法

通过在嵌入式设备和企业 IT/OT 系统上实施 MATLAB 算法,缩短响应时间,减少传输的数据,并立即提供结果给车间操作员。

  • 通过使用 MATLAB 和 Simulink 为目标资产和边缘设备自动生成 C/C ++代码来摆脱手动编码。
  • 在含生产服务器的云上扩展 MATLAB 分析,并与 Spotfire、 PI Server 及其他平台集成。