MATLAB et Simulink pour la maintenance prédictive
Les ingénieurs utilisent MATLAB®, Simulink® et Predictive Maintenance Toolbox™ pour développer des logiciels de maintenance prédictive et de surveillance d'état et les déployer dans des systèmes IT et OT d'entreprise.
- Accédez à des données archivées et en temps réel avec des 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.
- Prétraitez les données et extrayez des caractéristiques pour surveiller l'état des équipements avec des applications de traitement du signal et de 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®.
Using MATLAB and Simulink for Predictive Maintenance
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.
Produits associés
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.
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)
- Sélection et classification de caractéristiques avec l’application Classification Learner (4:01)
- Trois manières d'estimer la durée de vie restante (RUL) : la maintenance prédictive avec MATLAB
- Jumeaux numériques pour la maintenance prédictive
Produits associés
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.
Obtenez une version d'évaluation gratuite
Bénéficiez de 30 jours de découverte.
