Maintenance prédictive

 

MATLAB et Simulink pour la maintenance prédictive

Les ingénieurs utilisent MATLAB® et Simulink® pour développer et déployer des logiciels de maintenance prédictive et de surveillance d’état dans les systèmes IT et OT de l’entreprise.

  • Consultation de données archivées et en temps réel par l’intermédiaire d’interfaces intégrées permettant d’accéder à un espace de stockage sur le Cloud, à des bases de données relationnelles et non relationnelles et à des protocoles tels que REST, MQTT et OPC UA.
  • Prétraitement des données et extraction des caractéristiques pour surveiller l’état des équipements à l’aide d’applications de traitement du signal et de statistiques.
  • Développement de modèles de Machine Learning pour identifier la cause principale des dysfonctionnements, estimer la probabilité d’une panne et la durée de vie restante utile.
  • Déploiement des algorithmes et des modèles sur les systèmes actifs de votre choix, tels que des systèmes embarqués et des appareils périphériques, et le Cloud en générant automatiquement des composants logiciels basés sur C/C++, Python, HDL, PLC, GPU, .NET ou Java®.

“MATLAB nous a permis de convertir des données auparavant non lisibles dans un format exploitable ; d’automatiser les étapes de filtrage, d’analyse spectrale et de transformation pour plusieurs camions et régions ; et enfin d’appliquer des techniques de Machine Learning en temps réel afin de prévoir le moment idéal pour effectuer les opérations de maintenance.”

Andrew Harper, Celestion

Un accès direct 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 à l’aide d’un modèle Simulink de votre équipement, en y intégrant des défauts de signal et en modélisant des dynamiques de défaillance système.

Nettoyage et exploration de données pour les simplifier

Avec MATLAB, vous pouvez prétraiter des données, réduire leur taille 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 à l’aide de techniques avancées de traitement du signal.
  • Simplifiez les jeux de données et réduisez le surajustement des modèles prédictifs à l’aide de méthodes statistiques et dynamiques pour l’extraction et la sélection de caractéristiques.

Détecter et prévoir des pannes à l’aide du Machine Learning

Identifiez la cause principale des dysfonctionnements et estimez la probabilité d’une panne à l’aide de techniques de classification, de régression et de de modélisation des séries temporelles.

  • Explorez de manière interactive les variables les plus importantes et sélectionnez-les pour estimer la durée de vie restante utile 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 mettant en œuvre des algorithmes MATLAB sur les dispositifs embarqués et dans les systèmes IT/OT d’entreprise.

  • Éliminez le codage manuel en générant automatiquement le code C/C++ depuis MATLAB et Simulink sur les ressources et les appareils périphériques cibles.
  • Adaptez vos analyses MATLAB sur le Cloud avec des serveurs de production et intégrez-les à Spotfire, PI Server et d’autres plateformes.