Predictive Maintenance Toolbox позволяет размечать данные, разрабатывать алгоритмы контроля состояния, а также оценки оставшегося срока полезного использования (RUL) оборудования.
Вам доступны функции и графическое приложение для исследования, извлечения и ранжирования признаков отказов с использованием методов на основе данных и моделей, в том числе статистических, спектральных и на основе анализа временных рядов. Вы можете контролировать состояние машин с вращающимися частями, такими как подшипники и редукторы, извлекая признаки из вибрационных данных с использованием частотных и частотно-временных методов. Для оценки времени до наступления отказа вы можете использовать модели выживания, подобия и трендов.
Исследуйте и размечайте данные с датчиков, импортированные из файлов, облачных хранилищ и распределенных файловых систем. Также данные об отказах можно генерировать из Simulink-моделей. В тулбокс входят готовые примеры для моторов, редукторов, батарей и других устройств, которые можно переиспользовать для разработки своих предсказательных алгоритмов.
Обнаружение аномалий, диагностика первопричин неисправностей и оценка RUL с использованием машинного обучения и моделей временных рядов.
Определение оставшегося времени полезного использования позволит вам оптимизировать затраты на обслуживание и ремонт. Выбирайте алгоритм оценки RUL в зависимости от количества исходных данных и извлеченных из них признаков.
Определяйте причины отказов с помощью таких методов классификации и кластеризации как машины опорных векторов, k-средних и других.
Отслеживайте изменения в вашей системе для обнаружения аномалий и отказов с использованием фильтров Калмана, контрольных карт и других.
Извлекайте признаки из сигналов с датчиков с использованием подходов на основе данных и на основе моделей. Используйте извлеченные признаки как входные данные для алгоритмов диагностики и машинного обучения.
Используйте приложение Diagnostic Feature Designer для извлечения, визуализации и ранжирования индикаторов состояния для мониторинга оборудования.
Извлекайте признаки из сырых или предобработанных данных с датчиков с помощью алгоритмов rainflow-counting, обнаружения спектральных пиков, спектрального эксцесса и других временных, частотных и частотно-временных методов.
Подбирайте линейные нелинейные временные ряды, модели в пространстве состояний и передаточные функции по данным с датчиков. Используйте свойства и характеристики подобранных моделей в качестве индикаторов состояния.
Разрабатывайте алгоритмы контроля состояния и предсказательного обслуживания для батарей, редукторов, насосов и других механизмов на основе готовых примеров.
Разрабатывайте алгоритмы для классификации проблем с подшипниками, детектирования повреждения зубчатых передач и определения остаточного срока полезного использования (RUL).
Разрабатывайте алгоритмы для обнаружения утечек и засоров в насосах, отслеживания изменения трения в двигателях и оценки износа батареи с течением времени.
Получайте доступ к данным, где бы они ни находились. Генерируйте данные из моделей Simulink для имитации отказов, даже если реальных данных у вас нет.
Импортируйте и размеченные данные из файлов, серверов Amazon S3, Windows Azure Blob Storage и распределенной файловой системы Hadoop (HDFS).
Получайте данные об отказах из Simulink и Simscape-моделей вашего устройства. Изменяйте значения параметров, вносите неисправности и изменяйте динамику моделей.