Predictive Maintenance Toolbox
Progettazione e test di algoritmi di manutenzione predittiva e monitoraggio delle condizioni
Hai domande? Contatta l’ufficio commerciale.
Predictive Maintenance Toolbox fornisce funzioni e applicazioni per la progettazione di algoritmi di monitoraggio delle condizioni e di manutenzione predittiva per motori, riduttori, cuscinetti, batterie e altre applicazioni. Il toolbox consente di progettare indicatori di condizione, rilevare guasti e anomalie e stimare la vita utile residua (RUL).
L'applicazione Diagnostic Feature Designer consente di estrarre in modo interattivo le feature di tempo, frequenza, tempo-frequenza e fisica. È possibile classificare ed esportare le feature per sviluppare algoritmi specifici per l'applicazione per il rilevamento di guasti e anomalie. Per stimare la RUL, si possono utilizzare modelli di sopravvivenza, similitudine e basati sulla tendenza.
Il toolbox consente di organizzare e analizzare i dati dei sensori importati da file, archiviazione sul cloud e da sistemi di file distribuiti. È possibile generare dati di guasto simulati da modelli Simulink e Simscape.
Per rendere operativi i tuoi algoritmi, puoi generare codice C/C++ per la distribuzione edge o creare applicazioni di produzione per la distribuzione sul cloud. Il toolbox comprende esempi di riferimento specifici per le applicazioni che possono essere riutilizzati per sviluppare e distribuire algoritmi di manutenzione predittiva personalizzati.
Rilevamento di anomalie e guasti
Sviluppa modelli basati su tecniche statistiche, Machine Learning e Deep Learning per identificare anomalie e malfunzionamenti nei dati temporali. Tieni traccia delle modifiche che intervengono nel sistema, rileva le anomalie e identifica i guasti.
Stima della vita utile residua (RUL)
Addestra modelli per la stima della vita utile residua (RUL) utilizzando dati storici per prevedere il tempo rimanente al guasto. Sfrutta l'app Health Indicator Designer per combinare e trasformare le feature in un indicatore sintetico dello stato di salute del sistema, utile per l'addestramento dei modelli RUL.
Progettazione delle feature
Utilizza l'app Diagnostic Feature Designer per estrarre automaticamente e classificare le feature al fine di addestrare modelli statistici e di intelligenza artificiale.
Manutenzione predittiva specifica per componenti
Applica strumenti di manutenzione predittiva specifici per i componenti a macchinari rotanti e batterie. Classifica i difetti dei cuscinetti, individua perdite nelle pompe, monitora le prestazioni dei motori, diagnostica guasti nei riduttori, rileva anomalie nelle batterie al litio e stima la durata residua in cicli delle batterie. Inizia subito con una libreria di esempi di riferimento.
Gestione e pre-elaborazione dei dati
Accedi ai dati dei sensori conservati in locale o in remoto. Prepara i dati per lo sviluppo di algoritmi tramite la rimozione degli outlier, l’uso di filtri e l’applicazione di diverse tecniche di pre-elaborazione basate su tempo, frequenza e tempo-frequenza.
Generazione di dati sintetici
Modella e simula il funzionamento del sistema, inclusi guasti e degrado, tramite Simulink e Simscape, oppure introduci artificialmente anomalie nei dati di serie temporali per analisi e test. Crea dei gemelli digitali per monitorare le prestazioni e prevedere il comportamento futuro.
Distribuzione embedded
Usa MATLAB Coder per generare codice C/C++ direttamente dalle funzioni di calcolo delle feature, dagli algoritmi di monitoraggio delle condizioni e dagli algoritmi predittivi per l’elaborazione embedded in tempo reale.
Distribuzione sul cloud
Sfrutta MATLAB Compiler e MATLAB Compiler SDK per distribuire e scalare algoritmi nel cloud come librerie condivise, applicazioni web, pacchetti software, container Docker e altre soluzioni deployabili. Distribuisci su MATLAB Production Server su Microsoft® Azure® o AWS® senza modificare il codice esistente.
Risorse sui prodotti:
Serie di video sulla manutenzione predittiva
Guarda i video di questa serie per saperne di più sulla manutenzione predittiva.
FAQ su Predictive Maintenance Toolbox
Predictive Maintenance Toolbox fornisce funzioni e app per progettare algoritmi di monitoraggio delle condizioni e manutenzione predittiva per motori, cambi, cuscinetti, batterie e altre applicazioni, permettendo di progettare indicatori di condizione, rilevare guasti e anomalie e stimare la vita utile residua (RUL).
L'app Diagnostic Feature Designer consente di estrarre interattivamente caratteristiche nel dominio del tempo, della frequenza, temporali-frequenziali e basate sulla fisica dai dati dei sensori, classificarle per efficacia ed esportarle per sviluppare algoritmi specifici per l'applicazione per il rilevamento di guasti e anomalie.
La Predictive Maintenance Toolbox contiene modelli di sopravvivenza, di similarità e di degrado che possono essere addestrati su dati storici per prevedere il tempo fino al guasto.
Sì. È possibile generare codice C/C++ con MATLAB Coder per la distribuzione su sistemi embedded oppure creare applicazioni di produzione per la distribuzione su cloud utilizzando MATLAB Compiler, MATLAB Compiler SDK o MATLAB Production Server.
È possibile organizzare e analizzare dati di serie temporali di sensori multicanale e multi-membro importati da file locali, archiviazione cloud e file system distribuiti. È inoltre possibile generare dati di guasto simulati da modelli Simulink e Simscape.
Sebbene la toolbox possa essere utilizzata per qualsiasi applicazione di manutenzione predittiva basata su dati di serie temporali dei sensori, include anche strumenti specifici per componenti ed esempi di riferimento per macchinari rotanti e batterie. Ciò include la classificazione dei guasti ai cuscinetti, il rilevamento di perdite nelle pompe, il monitoraggio delle variazioni delle prestazioni dei motori, l'identificazione di guasti al cambio, il rilevamento di anomalie nelle celle agli ioni di litio e nei pacchi batteria e la stima della vita residua della batteria in termini di cicli.
Time Series Anomaly Detection for MATLAB è un pacchetto di supporto per Predictive Maintenance Toolbox. Questo pacchetto di supporto contiene funzioni e un'app per caratterizzare il comportamento normale del sistema e rilevare anomalie nei dati di serie temporali dei sensori utilizzando rilevatori statistici, di machine learning e di deep learning pronti da addestrare.
Prova Predictive Maintenance Toolbox gratis
Scopri i nostri prodotti.
Pronto per acquistare?
Richiedi una quotazione e scopri i prodotti correlati.
Sei uno studente?
È possibile che la tua scuola già fornisca accesso a MATLAB, Simulink e ad altri prodotti complementari mediante una Campus-Wide License.
