Predictive Maintenance Toolbox
Concevoir et tester des algorithmes de surveillance d'état et de maintenance prédictive
Predictive Maintenance Toolbox™ vous permet de gérer les données de capteurs, de concevoir des indicateurs d'état et d'estimer la durée de vie restante utile (RUL) d'une machine.
Cette toolbox propose des fonctions et une application interactive pour explorer, extraire et classer des caractéristiques en utilisant des 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 en réalisant l'extraction de caractéristiques à partir de données de vibration, avec des méthodes en fréquence et temps-fréquence. Afin d'estimer le moment où surviendra la défaillance d'une machine, vous pouvez utiliser des modèles de survie, de similarité et de tendances pour prévoir la RUL.
Vous pouvez organiser et analyser les données de capteurs importées à partir de fichiers stockés en local, d'un stockage sur le cloud ou de systèmes de fichiers distribués. Vous pouvez également étiqueter des 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 d'autres machines. Ces exemples peuvent servir de base pour développer vos propres algorithmes de maintenance prédictive et de surveillance d'état.
Pour mettre vos algorithmes en production, vous pouvez générer le code C/C++ pour un déploiement sur dispositif périphérique ou créer une application de production pour un déploiement dans le cloud.
En savoir plus :
Modèles d'estimation de la RUL
Estimez la RUL d'une machine pour vous aider à prévoir son temps de fonctionnement avant panne et 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 similarité, de dégradation et de survie pour la RUL.
Diagnostic des défaillances avec des modèles de classification
Isolez la cause principale d'une défaillance en entrainant des modèles de classification et de clustering avec des machines à vecteurs de support, des algorithmes de clustering k-means et d'autres techniques de Machine Learning.
Diagnostic des défaillances avec l'application Classification Learner.
Détection des défaillances et des anomalies
Suivez les changements dans votre système afin d'identifier la présence d'anomalies et de défaillances avec la détection des points de retournement, les filtres de Kalman et les diagrammes de contrôle.
Détection des défaillances avec des modèles basés sur les données.
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. Générez du code MATLAB à partir de l'application pour automatiser l'ensemble du processus.
Indicateurs d'état basés sur les signaux
Réalisez l'extraction des caractéristiques à partir de données de capteurs brutes ou prétraitées avec le comptage Rainflow, la détection des pics spectraux, le kurtosis spectral et d'autres techniques dans les domaines temporel, fréquentiel et temps-fréquence. Utilisez les tâches du Live Editor pour réaliser une reconstruction de l'espace de phase de manière interactive et extraire des caractéristiques de signaux non linéaires.
Indicateur d'état temps-fréquence.
Indicateurs d'état basés sur des modèles
Ajustez des modèles de séries temporelles linéaires et non linéaires, des modèles à représentation 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.
Indicateur d'état basé sur des modèles autorégressifs.
Roulements et boîtes de vitesse
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.
Importation et organisation des données
Importez 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 avec un ensemble de données.
Génération de données de défaillance à partir de Simulink et Simscape
Simulez et étiquetez des données de défaillance avec 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 avec des ensembles de données de simulation.
Déploiement sur dispositif périphérique
Utilisez MATLAB Coder™ pour générer du code C/C++ pour les modèles de RUL et les calculs de caractéristiques.
Déploiement d'algorithmes de maintenance prédictive sur un PLC
Déploiement dans le cloud
Utilisez MATLAB Compiler™ et MATLAB Compiler SDK™ pour déployer des algorithmes de maintenance prédictive sous forme de bibliothèques C/C++ partagées, d'applications web, de conteneurs Docker, d'assemblages Microsoft® .NET, de classes Java® et de packages Python®. Déployez les bibliothèques générées dans MATLAB Production Server™ sur Microsoft® Azure®, AWS® ou sur des serveurs dédiés sur site sans avoir à les recoder ou à créer une infrastructure personnalisée.
Composants d'un système de maintenance prédictive déployé
Série de vidéos sur la maintenance prédictive
Regardez cette série de vidéos pour découvrir la maintenance prédictive.
