Utilisation de MATLAB et Simulink pour la maintenance prédictive

Les ingénieurs utilisent MATLAB®, Simulink® et Predictive Maintenance Toolbox™ pour développer des logiciels de surveillance de l'état et de maintenance prédictive et pour les déployer dans des systèmes IT et OT d'entreprise.

  • Accédez à des données archivées et streaming en utilisant des interfaces prédéfinies sur des bases de données relationnelles et non relationnelles, des espaces de stockage sur le cloud, et des protocoles tels que REST, MQTT et OPC UA.
  • Prétraitez les données et réalisez l'extraction des caractéristiques pour surveiller l'état des équipements avec des applications de traitement du signal et des techniques statistiques.
  • Développez des modèles de Machine Learning pour identifier la cause principale des défaillances et estimer le temps de fonctionnement avant panne  et la durée de vie restante utile (RUL).
  • Déployez des algorithmes et des modèles sur les systèmes opérationnels de votre choix, tels que des systèmes embarqués, des appareils périphériques et le cloud en générant automatiquement des composants logiciels C/C++, Python, HDL, PLC, GPU, .NET ou Java®.

Utilisation de MATLAB et Simulink pour la maintenance prédictive

Concevez et testez des algorithmes de surveillance de l'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 les workflows de la 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 n'avez pas assez de données de défaillance, vous pouvez les générer à partir d'un modèle Simulink de votre équipement, en y intégrant des défauts sur les signaux et en modélisant la dynamique de défaillance du 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 avec des techniques de classification, de régression et de modélisation de séries temporelles.

  • Explorez les variables de manière interactive et sélectionnez les plus importantes 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 prédéfinies.
  • Calculez et visualisez les intervalles de confiance pour quantifier l'incertitude 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.