MathWorks enrichit sa gamme MATLAB d’un nouveau produit pour la maintenance prédictive

MathWorks a annoncé aujourd’hui le lancement de Predictive Maintenance Toolbox, un nouvel outil MATLAB qui permet aux ingénieurs de concevoir et de tester des algorithmes de maintenance prédictive et de surveillance de l’état d’un équipement. Predictive Maintenance Toolbox propose des fonctionnalités et des exemples de référence à l’attention des ingénieurs qui conçoivent des algorithmes afin d’organiser les données, de concevoir des indicateurs d’état, de surveiller le bon fonctionnement des machines et d’estimer la durée de vie restante utile estimée, de manière à prévenir les pannes de l’équipement.

Avec Predictive Maintenance Toolbox, les ingénieurs peuvent analyser et étiqueter les données de capteurs issues de fichiers stockés en local ou sur le cloud. Ils peuvent également étiqueter les données de défaillance simulées, générées à partir de modèles Simulink pour représenter les défaillances de l’équipement. Les méthodes de traitement du signal et de modélisation dynamique, qui s’appuient sur des techniques telles que l’analyse spectrale et l’analyse de séries temporelles, permettent aux ingénieurs de prétraiter les données et d’extraire les caractéristiques qui peuvent être utilisées pour surveiller l’état de la machine. L’utilisation des modèles de survie, de similarité et de tendances pour prédire la durée de vie restante utile (RUL) aide les ingénieurs à estimer l’instant où apparaitra la défaillance d’une machine. Cette toolbox comprend des exemples de référence pour des moteurs, des boîtes de vitesses, des batteries et autres machines. Ces exemples peuvent servir de base pour développer ses propres algorithmes de maintenance prédictive et de surveillance d’état d’un équipement.

Désormais, les ingénieurs peuvent développer et valider les algorithmes requis pour prédire l’instant où apparaitra la défaillance de l’équipement ou pour détecter toute anomalie sous-jacente en surveillant les données de capteurs. Ces algorithmes sont développés en accédant à des données historiques stockées dans des fichiers en local, sur un cloud comme Amazon S3 et Windows Azure Blob Storage, ou sur un système de fichiers distribué Hadoop. Les données de simulation provenant de modèles physiques de l’équipement qui intègrent la dynamique de défaillance constituent une autre source de données. Les ingénieurs peuvent extraire et sélectionner les caractéristiques les plus appropriées à partir de ces données, puis utiliser des applications interactives pour entraîner des modèles de Machine Learning sur la base de ces caractéristiques pour prédire ou détecter les défaillances de l’équipement.

« La maintenance prédictive est une application majeure de l’Internet des Objets industriel. Elle est indispensable à la réduction des coûts de maintenance superflus et à l’élimination des périodes d’arrêt non planifiés. Les ingénieurs qui n’ont généralement pas d’expérience en termes de Machine Learning ou de traitement du signal trouvent particulièrement difficile de concevoir des algorithmes de maintenance prédictive » déclare Paul Pilotte, directeur marketing technique chez MathWorks. « À présent, les équipes peuvent rapidement monter en compétence en utilisant Predictive Maintenance Toolbox comme point de départ pour apprendre à concevoir et à tester ces algorithmes ».

Pour en savoir plus sur la manière dont les ingénieurs utilisent MATLAB pour réduire les périodes d’arrêt des équipements en anticipant les défaillances et en déterminant automatiquement les causes des défaillances, évitant ainsi des coûts de maintenance superflus, consultez le site Utilisation de MATLAB et Simulink pour la maintenance prédictive.