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
Apprenez à trouver suffisamment de données, y compris pour les défaillances, à prédire ces défaillances et à concevoir un algorithme de maintenance prédictive.
La maintenance prédictive vous permet d'estimer le moment optimal pour effectuer la maintenance en prédisant le temps de fonctionnement avant panne d'une machine. Dans cette série, vous découvrirez un workflow que vous pouvez suivre pour développer un algorithme de maintenance prédictive. Les vidéos utilisent des exemples de pompe triplex et de moteur d'avion pour vous guider à travers les différentes étapes du workflow, comme l'extraction de caractéristiques et l'estimation de la durée de vie utile restante.
Accéder directement aux données
Les données des équipements peuvent être structurées ou non et être stockées dans diverses sources comme des fichiers locaux, des serveurs OPC UA, le cloud (par exemple, AWS® S3, Azure® Blob), des bases de données et des systèmes d'historisation des données tels que OSIsoft® PI System™. 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.
En savoir plus
- Le Big Data avec MATLAB
- Utiliser Simulink pour générer des données de défaillance
- Lire et écrire des données à partir de serveurs OPC et de systèmes d'historisation des données
- Connecter MATLAB au PI System d'OSIsoft (6:03)
- Découvrir et explorer des données relationnelles avec l'application Database Explorer (9:00)
- Introduction à l'industrie 4.0
Découvrir les produits
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.
En savoir plus
Découvrir les produits
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.
En savoir plus
- Modèles de décision pour la détection et le diagnostic des défaillances
- Techniques pour la prédiction de la durée de vie restante utile (RUL)
- Machine Learning : sélection des caractéristiques et classification (4:01)
- Trois manières d'estimer la RUL : la maintenance prédictive avec MATLAB
- Jumeaux numériques pour la maintenance prédictive
Découvrir les produits
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.
En savoir plus
- Architectures de référence pour l'intégration des clouds AWS et Azure à MATLAB
- Génération de code pour les systèmes embarqués
- Déploiement d'applications sur le web
- Internet des objets (IoT) avec MATLAB et Simulink
- Les petits ruisseaux font les grandes rivières : alimenter l'apprentissage fédéré avec des modèles physiques (32:29)
- Déployez des modèles prédictifs entraînés sur des systèmes cibles
Version d'essai gratuite de 30 jours
Commencer
Introduction à la maintenance prédictive avec MATLAB
Lire l’e-book
You can also select a web site from the following list:
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)
Asia Pacific
- Australia (English)
- India (English)
- New Zealand (English)
- 中国
- 日本Japanese (日本語)
- 한국Korean (한국어)