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)
Progettazione di indicatori di condizione
Esempi di riferimento per lo sviluppo di algoritmi
Gestione dati
Distribuzione su edge e Cloud

Che cos'è Predictive Maintenance Toolbox?

Riduzione dei tempi di fermo e dei costi operativi: Raggiungimento dei risultati più rapido con MathWorks Consulting

Per saperne di più

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 cambiamenti bruschi del sistema utilizzando modelli ricorsivi

Approcci basati su grafici di controllo per il rilevamento dei guasti

Approcci di rilevazione dei changepoint per il rilevamento dei guasti

Rilevamento di anomalie in macchinari industriali mediante dati sulle vibrazioni

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 di degrado per soglie cruciali per la sicurezza

Modelli di sopravvivenza per dati di lifetime

Stima della vita utile residua mediante una rete neurale convoluzionale

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.

Panoramica dei metodi di diagnosi dei guasti tramite Machine Learning, fitting di distribuzioni e modelli dinamici

Modelli di classificazione con 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.

App Diagnostic Feature Designer

Estrazione di feature usando l’app Diagnostic Feature Designer

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.

Panoramica degli indicatori di condizione basati su segnali

Panoramica dei metodi di pre-elaborazione dei dati

Metodi di pre-elaborazione tempo-frequenza per analizzare e rilevare transienti

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.

Panoramica degli indicatori di condizione basati su modelli

Diagnosi del guasto di una pompa mediante analisi dei residui

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.

Generazione di codice per la previsione della vita utile residua

Distribuzione di algoritmi di manutenzione predittiva sul Cloud ed edge

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.

Utilizzo di MATLAB sul Cloud

Distribuzione di algoritmi di manutenzione predittiva sul Cloud ed edge (17:49)

Distribuzione di algoritmi di manutenzione predittiva

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.

Cuscinetti e riduttori

Sviluppa algoritmi per classificare i guasti all’anello interno ed esterno, rilevare problemi agli ingranaggi e stimare la vita utile residua.

Diagnosi del guasto di un cuscinetto di una pompa dell’olio

Generazione dei dati relativi ai guasti di un sistema di trasmissione

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

Estrazione delle feature spettrali dai dati di un treno di ingranaggi

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.

Rilevamento dei guasti in un motore in corrente continua mediante i filtri di Kalman

Classificazione dei guasti in una pompa alternativa

Stima del degrado di una batteria mediante i filtri di Kalman

Previsione della durata del ciclo di una batteria in base ai dati operativi iniziali

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.

Insiemi di dati per la manutenzione predittiva e il monitoraggio delle condizioni

Gestione di dati archiviati in file di testo

Utilizzo dei dati in remoto archiviati sul Cloud

Lettura dei dati storici del server OPC UA

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.

Utilizzo di simulationEnsembleDatastore

Generazione di dati di guasto a partire da un modello Simulink di una scatola di trasmissione