Predictive Maintenance Toolbox

 

Predictive Maintenance Toolbox

Progettazione e test di algoritmi di manutenzione predittiva e monitoraggio delle condizioni

Inizia ora:

Rilevamento di guasti e stima della vita utile residua (RUL)

Rileva anomalie, identifica la causa principale dei guasti e stima la vita utile residua mediante modelli di Machine Learning e di serie storiche.

Rilevamento di guasti e anomalie

Traccia le anomalie del tuo sistema per determinare la presenza di problemi e guasti utilizzando il rilevamento dei changepoint, filtri di Kalman e grafici di controllo.

Rilevamento di anomalie mediante picchi spettrali estratti da modelli nello stato degli spazi basati sui dati.

Rilevamento di guasti mediante modelli basati sui dati.

Modelli di stima della vita utile residua

Stima la vita utile residua di una macchina per prevederne i guasti e ottimizzare i programmi di manutenzione. Il tipo di algoritmo di stima della vita utile residua dipende dagli indicatori di condizione estratti dai dati e dalla quantità di dati disponibile.

Modelli della vita utile residua (RUL) di similarità, degrado e sopravvivenza.

Modelli della vita utile residua (RUL) di similarità, degrado e sopravvivenza.

Diagnosi dei guasti mediante modelli di classificazione

Isola la causa principale di un guasto addestrando modelli di classificazione e clustering mediante support vector machine, clustering K-means e altre tecniche di Machine Learning.

Il grafico a dispersione mostra le previsioni corrette ed errate del modello di classificazione addestrato.

Diagnosi dei guasti con l’app Classification Learner.

Progettazione di indicatori di condizione

Estrai le feature dai dati dei sensori utilizzando approcci basati su modelli e segnali. Utilizza le feature estratte come input per gli algoritmi diagnostici e di Machine Learning.

App Diagnostic Feature Designer

Estrai, visualizza e classifica le feature per progettare indicatori di condizione e monitorare lo stato operativo di una macchina. Genera codice MATLAB dall’app per automatizzare l’intero processo.

Indicatori di condizione basati su segnali

Estrai feature da dati di sensori grezzi o pre-elaborati utilizzando il conteggio rainflow, il rilevamento di picchi spettrali, la kurtosis spettrale e altre tecniche nei domini di tempo, frequenza e tempo-frequenza. Utilizza le attività di Live Editor per eseguire interattivamente la ricostruzione dello spazio di fase e l’estrazione di feature di segnali non lineari.

Variazione della kurtosis spettrale nel tempo e nella frequenza per i dati di vibrazione misurati da un cuscinetto.

Indicatori di condizione basati su tempo-frequenza.

Indicatori di condizione basati su modelli

Esegui il fitting di modelli di serie storiche lineari e non lineari, stato-spazio e funzioni di trasferimento ai dati dei sensori. Utilizza le proprietà e le caratteristiche di questi modelli come indicatori di condizione.

Fitting di modelli autoregressivi del decimo ordine ai dati di vibrazione di sistemi danneggiati e non danneggiati.

Indicatore di condizione basato su modelli autoregressivi.

Distribuzione su edge e Cloud

Distribuisci algoritmi di monitoraggio delle condizioni e di manutenzione predittiva su dispositivi edge o applicazioni di produzione nel Cloud.

Distribuzione su edge

Utilizza MATLAB Coder™ per generare codice C/C++ per modelli RUL e calcoli delle feature.

Distribuzione di algoritmi di manutenzione predittiva su un PLC

Distribuzione di algoritmi di manutenzione predittiva su un PLC.

Distribuzione sul Cloud

Utilizza MATLAB Compiler™ e MATLAB Compiler SDK™ per distribuire algoritmi di manutenzione predittiva come librerie condivise C/C++, app web, contenitori Docker, assembly Microsoft® .NET, classi Java® e pacchetti Python®. Distribuisci le librerie generate su MATLAB Production Server™ su Microsoft® Azure®, AWS® o su server on-premise dedicati senza né ricodifica né creazione di un’infrastruttura personalizzata.

Componenti di un sistema di manutenzione predittiva distribuito

Componenti di un sistema di manutenzione predittiva distribuito.

Esempi di riferimento per lo sviluppo di algoritmi

Sviluppa algoritmi di manutenzione predittiva e monitoraggio delle condizioni per batterie, riduttori, pompe e altre macchine.

Grafico alpha-lambda per la stima della vita utile residua di un cuscinetto di una turbina eolica.

Stima della vita utile residua di un cuscinetto di una turbina eolica.

Pompe, motori e batterie

Sviluppa algoritmi per rilevare perdite e intasamenti nelle pompe, tracciare eventuali anomalie nell’attrito di un motore e stimare il degrado di una batteria nel tempo.

Modello Simulink e Simscape di una pompa alternativa a tre pistoni.

Classificazione dei guasti in una pompa a tre pistoni.

Gestione dati

Accedi ai dati ovunque si trovino. Genera dati sintetici simulando modelli Simulink per rappresentare i guasti delle macchine in assenza di dati di sensori reali.

Importazione e organizzazione dei dati

Importa dati da file locali, Amazon S3™, Windows Azure® Blob Storage, Hadoop® Distributed File System, server OPC UA e OSIsoft PI System.

Insieme di dati per la gestione dei dati di vibrazione di un cuscinetto a sfere.

Gestione di più file utilizzando un insieme di dati.

Generazione di dati di guasto con Simulink e Simscape

Simula ed etichetta dati di guasto utilizzando i modelli Simulink e Simscape™ della tua macchina. Modifica i valori dei parametri, inserisci guasti e modifica le dinamiche del modello.

Insieme di dati di simulazione per la gestione di dati di guasto generati da un modello Simulink di una scatola di trasmissione.

Gestione di dati utilizzando insiemi di dati di simulazione.

Serie di video sulla manutenzione predittiva

Guarda i video di questa serie per saperne di più sulla manutenzione predittiva.