Predictive Maintenance Toolbox

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

Predictive Maintenance Toolbox™ consente di gestire i dati dei sensori, progettare indicatori di condizione e stimare la vita utile residua (RUL) di una macchina.

Il toolbox fornisce una serie di funzioni e un’applicazione interattiva per esplorare, estrarre e classificare feature utilizzando tecniche basate sui dati e sui modelli, tra cui analisi statistiche, spettrali e di serie storiche. È possibile monitorare le condizioni di macchinari rotanti estraendo le feature dai dati di vibrazione con metodi di analisi nei domini di frequenza e tempo-frequenza. Per prevedere il guasto di una macchina e stimarne la vita utile residua, è possibile utilizzare modelli di sopravvivenza, similarità e basati su trend.

È possibile organizzare e analizzare i dati dei sensori importati da file salvati in locale o sul Cloud e da sistemi di file distribuiti. È possibile etichettare i dati di simulazione dei guasti generati da modelli Simulink®. Il toolbox include esempi di riferimento per motori, riduttori, batterie e altre macchine che possono essere riutilizzati per sviluppare algoritmi personalizzati di monitoraggio delle condizioni e manutenzione predittiva.

Per rendere operativi gli algoritmi, è possibile generare codice C/C++ per la distribuzione su edge oppure creare un’applicazione di produzione per la distribuzione sul Cloud.

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.

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.

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.

Diagnosi dei guasti con l’app Classification Learner.

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 guasti mediante modelli basati sui dati.

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.

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.

Indicatore di condizione basato su modelli autoregressivi.

Esempi di riferimento per lo sviluppo di algoritmi

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

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.

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™, archivio BLOB di Windows Azure® e Hadoop® Distributed File System.

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.

Gestione di dati utilizzando insiemi di dati di simulazione.

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 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

Serie di video sulla manutenzione predittiva

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