${message}

Разработка и тестирование алгоритмов контроля и предсказательного обслуживания.

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.

Детектирование неисправностей и оценка времени до наступления отказа

Обнаружение аномалий, диагностика первопричин неисправностей и оценка RUL с использованием машинного обучения и моделей временных рядов.

Оценка времени до наступления отказа

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.


RUL-модели подобия, деградации и выживания


Диагностика отказов с применением алгоритмов классификации

Определяйте причины отказов с помощью таких методов классификации и кластеризации как машины опорных векторов, k-средних и других.


Классификация отказов в приложении Classification Learner


Определение аномального поведения

Отслеживайте изменения в вашей системе для обнаружения аномалий и отказов с использованием фильтров Калмана, контрольных карт и других.


Определение отказов по моделям, построенным на основе данных

Разработка индикаторов состояния

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.

Приложение для извлечения признаков отказов

Используйте приложение Diagnostic Feature Designer для извлечения, визуализации и ранжирования индикаторов состояния для мониторинга оборудования.



Видео "Извлечение признаков в приложении Diagnostic Feature Designer" (англ.)


Индикаторы состояния, основанные на сигналах

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.


Частотно-временной индикатор состояния


Индикаторы состояния, основанные на моделях

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.


Индикатор состояния на основе авторегрессионной модели

Эталонные примеры алгоритмов

Разрабатывайте алгоритмы контроля состояния и предсказательного обслуживания для батарей, редукторов, насосов и других механизмов на основе готовых примеров.

Подшипники и редукторы

Разрабатывайте алгоритмы для классификации проблем с подшипниками, детектирования повреждения зубчатых передач и определения остаточного срока полезного использования (RUL).


Оценка RUL для подшипника ветрогенератора


Насосы, моторы и батареи

Разрабатывайте алгоритмы для обнаружения утечек и засоров в насосах, отслеживания изменения трения в двигателях и оценки износа батареи с течением времени.


Классификация отказов триплексного насоса

Управление данными и их маркировка

Получайте доступ к данным, где бы они ни находились. Генерируйте данные из моделей Simulink для имитации отказов, даже если реальных данных у вас нет.

Организация данных и их маркировка

Импортируйте и размеченные данные из файлов, серверов Amazon S3, Windows Azure Blob Storage и распределенной файловой системы Hadoop (HDFS).


Работа с файлами с помощью набора данных


Генерация данных об отказах из Simulink и Simscape

Получайте данные об отказах из Simulink и Simscape-моделей вашего устройства. Изменяйте значения параметров, вносите неисправности и изменяйте динамику моделей.


Управление результатами симуляции с помощью наборов данных


Поделиться

Задать вопрос

*
Настоящим в соответствии с Федеральным законом № 152-ФЗ «О персональных данных» от 27.07.2006, отправляя данную форму, вы подтверждаете свое согласие на обработку персональных данных . Мы, ООО ЦИТМ "Экспонента" и аффилированные к нему лица, гарантируем конфиденциальность получаемой нами информации. Обработка персональных данных осуществляется в целях эффективного исполнения заказов, договоров и пр. в соответствии с «Политикой конфиденциальности персональных данных». * - обязательные поля