Predictive Maintenance Toolbox
Concevoir et tester des algorithmes de surveillance d'état et de maintenance prédictive
Predictive Maintenance Toolbox™ vous permet d'étiqueter des données, de concevoir des indicateurs d'état et d'estimer la RUL (Remaining Useful Life) d'une machine.
Cette toolbox fournit des fonctions ainsi qu'une application interactive pour explorer, extraire et classer les caractéristiques à l'aide de techniques basées sur des données et des modèles, notamment l'analyse statistique, spectrale et de séries temporelles. Vous pouvez surveiller l'état de machines rotatives comme des roulements et des boîtes de vitesses en extrayant des caractéristiques à partir des données de vibration, à l'aide de méthodes en fréquence et temps-fréquence. Afin d'estimer l'instant où surviendra la défaillance d'une machine, vous pouvez utiliser des modèles de survie, de similarité et de tendances pour prévoir la RUL.
Vous avez la possibilité d'analyser et d'étiqueter des données de capteurs importées à partir de fichiers stockés en local, du Cloud et de systèmes de fichiers distribués. Vous pouvez également étiqueter les données de défaillance simulées générées à partir de modèles Simulink. 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 vos propres algorithmes de maintenance prédictive et de surveillance d'état d'un équipement.
Détection de panne et estimation de la RUL (Remaining Useful Life)
Détectez les anomalies, diagnostiquez la cause principale des défaillances et estimez la RUL à l'aide du Machine Learning et des modèles de séries temporelles.
Modèles d'estimation de la RUL
Estimez la RUL d'une machine pour vous aider à prévoir l'instant où surviendra la défaillance ainsi qu'à optimiser les calendriers de maintenance. Le type d'algorithme d'estimation de la RUL utilisé dépend des indicateurs d'état extraits des données, ainsi que de la quantité de données disponibles.
Modèles de RUL de similarité, d'usure et de survie.
Diagnostic de défaillance à l'aide de modèles de classification
Isolez la cause principale d'une défaillance en entraînant des modèles de classification et de clustering à l'aide de machines à vecteurs de support, du clustering k-means et d'autres techniques de Machine Learning.
Diagnostic de défaillance à l'aide de l'application Classification Learner.
Détection des défaillances et des anomalies
Suivez les changements de votre système afin d'identifier la présence d'anomalies et de défaillances avec la détection des points de retournement, des filtres de Kalman et des diagrammes de contrôle.
Détection des défaillances à l'aide de modèles basés sur les données.
Concevoir des indicateurs d'état
Extrayez des caractéristiques à partir de données de capteurs grâce aux approches basées sur des signaux et sur des modèles. Utilisez les caractéristiques extraites comme données d'entrée pour les algorithmes de diagnostic et de Machine Learning.
Application Diagnostic Feature Designer
Extrayez, visualisez et classez des caractéristiques afin de concevoir des indicateurs d'état pour la surveillance de l'état de la machine.
Indicateurs d'état basés sur les signaux
Extrayez des caractéristiques à partir de données de capteurs brutes ou prétraitées à l'aide du comptage de Rainflow, de la détection des pics spectraux, du kurtosis spectral et d'autres techniques dans le domaine temporel, fréquentiel
et temps-fréquence.
Indicateurs d'état temps-fréquence.
Indicateurs d'état basés sur des modèles
Ajustez des modèles de séries temporelles linéaires et non linéaires, des modèles à représentations d'état et des modèles de fonction de transfert à des données de capteurs. Utilisez les propriétés et caractéristiques de ces modèles ajustés comme indicateurs d'état.
Indicateurs d'état basés sur des modèles autorégressifs.
Exemples de référence pour le développement d'algorithmes
Développez des algorithmes de surveillance d'état et de maintenance prédictive pour des batteries, des boîtes de vitesses, des pompes et d'autres machines.
Roulements et boîtes de vitesses
Développez des algorithmes pour le classement des défaillances au niveau des chemins de roulement intérieurs et extérieurs, la détection des défaillances au niveau des dents d'engrenage et l'estimation de la RUL
Estimation de la RUL d'un roulement d'éolienne.
Pompes, moteurs et batteries
Développez des algorithmes pour la détection des fuites et des encrassements dans les pompes, le suivi des changements de la friction moteur et l'estimation de l'usure d'une batterie dans le temps.
Classification des défaillances dans une pompe triplex.
Gestion et étiquetage des données
Accédez directement aux données. Générez des données de simulation à partir de modèles Simulink pour représenter les défaillances d'une machine en l'absence de données de capteurs réelles.
Organisation et étiquetage des données
Importez et étiquetez des données à partir de fichiers stockés en local, d'Amazon S3™, du service de stockage Windows Azure® Blob et du système de fichiers distribués Hadoop®.
Gestion de plusieurs fichiers à l’aide d’ensembles de données de simulation.
Génération de données de défaillance à partir de Simulink et Simscape
Simulez des données de défaillance à l'aide des modèles Simulink et Simscape™ de votre machine. Modifiez la valeur des paramètres, intégrez des erreurs et changez la dynamique du modèle.
Gestion des données à l'aide d'ensembles de données de simulation.
Nouveautés
Tâches du Live Editor
réalisez une reproduction de l’espace de phase de manière interactive et extrayez des indicateurs de condition basés sur des signaux.
Analyse spectrale pour machines rotatives
définissez des bandes de fréquences et extrayez des caractéristiques spectrales.
Consultez les notes de version pour en savoir plus sur ces fonctionnalités et les fonctions correspondantes.
