MATLAB et Simulink pour la maintenance prédictive

Engineers use MATLAB®, Simulink®, and Predictive Maintenance Toolbox™ to develop and deploy condition monitoring and predictive maintenance software to enterprise IT and OT systems.

  • Access streaming and archived data using built-in interfaces to cloud storage, relational and nonrelational databases, and protocols such as REST, MQTT, and OPC UA.
  • Preprocess data and extract features to monitor equipment health using apps for signal processing and statistical techniques.
  • Develop machine learning models to isolate root cause of failures and predict time-to-failure and remaining useful life (RUL).
  • Deploy algorithms and models to your choice of in-operation systems such as embedded systems, edge devices, and the cloud by automatically generating C/C++, Python, HDL, PLC, GPU , .NET, or Java® based software components.
Panel Navigation

Reduce Downtime and Operational Costs: Achieve Results Faster with MathWorks Consulting

Using MATLAB and Simulink for Predictive Maintenance

Concevoir et tester des algorithmes de surveillance d'état et de maintenance prédictive
Découvrez comment démarrer avec le workflow de maintenance prédictive et collecter un volume de données classiques et de défaillance suffisant.
Découvrez-en plus sur les concepts et workflows de maintenance prédictive.

Accéder directement aux données

Les données des équipements peuvent être structurées ou non et être conservées de diverses façons, sous la forme de fichiers en local, sur le cloud (par exemple, AWS® S3, Azure® Blob), dans des bases de données et dans des systèmes d'historisation des données. Où que se trouvent vos données, vous pouvez y accéder avec MATLAB. Si vous ne disposez pas de suffisamment de données de défaillance, vous pouvez les générer avec un modèle Simulink de votre équipement, en y intégrant des défauts de signal et en modélisant des dynamiques de défaillance système.


Nettoyer et explorer vos données pour les simplifier

Les données sont désorganisées. Avec MATLAB, vous pouvez les prétraiter, réduire leur dimensionnalité et définir des caractéristiques.

  • Alignez les données échantillonnées à des taux différents et déterminez les valeurs manquantes ou aberrantes.
  • Supprimez le bruit, filtrez les données et analysez les signaux transitoires et évolutifs avec des techniques avancées de traitement du signal.
  • Simplifiez les jeux de données et réduisez le surajustement des modèles prédictifs avec des méthodes statistiques et dynamiques pour l'extraction et la sélection de caractéristiques.

Détecter et prévoir les pannes avec le Machine Learning

Identifiez la cause principale des défaillances et estimez le temps de fonctionnement avant panne à l'aide de techniques de classification, de régression et de modélisation de séries temporelles.

  • Explorez les variables les plus importantes de manière interactive et sélectionnez-les pour estimer la durée de vie restante utile (RUL) ou pour classer les modes de défaillance.
  • Entraînez, comparez et validez plusieurs modèles prédictifs avec des fonctions intégrées.
  • Calculez et visualisez les intervalles de confiance pour quantifier le caractère incertain des prédictions.

Déployer des algorithmes dans les systèmes de production

Réduisez les temps de réponse, transmettez moins de données et communiquez immédiatement les résultats aux opérateurs dans l'atelier en implémentant des algorithmes MATLAB dans des dispositifs embarqués et des systèmes IT/OT d'entreprise.

  • Éliminez le codage manuel en générant automatiquement le code C/C++ depuis MATLAB et Simulink pour cibler les ressources et les appareils périphériques.
  • Faites évoluer vos analyses MATLAB dans le cloud avec des serveurs de production et intégrez-les à Spotfire, PI Server et d'autres plateformes.