MATLAB 和 Simulink 在预测性维护中的应用

MATLAB®、Simulink®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、关系和非关系数据库以及 REST、MQTT 和 OPC UA 等协议访问流数据和存档数据
  • 使用信号处理和统计方法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,以隔离故障根源并预测故障时间剩余使用寿命 (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选择的运行系统(例如嵌入式系统边缘设备)。

Using MATLAB and Simulink for Predictive Maintenance

设计和测试状态监控和预测性维护算法
了解如何获取足够的数据和故障数据,以及使用预测性维护工作流程的入门方法。
详细了解预测性维护的概念和工作流程。

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)、数据库以及数据历史记录集等多种数据源。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。

在生产系统中部署算法

在嵌入式设备和企业 IT/OT 系统上实现 MATLAB 算法,从而缩短响应时间,减少传输数据量,让车间操作员能第一时间获取结果。

  • 使用 MATLAB 和 Simulink 为目标资产和边缘设备自动生成 C/C ++代码,摆脱手动编码。
  • 将 MATLAB 分析扩展到云端的生产服务器,并与 SpotfirePI Server 及其他平台集成。