Gli ingegneri utilizzano MATLAB®, Simulink® e Predictive Maintenance Toolbox™ per sviluppare e implementare software di monitoraggio delle condizioni e manutenzione predittiva per sistemi IT e OT aziendali.
- Accedi ai dati in streaming e archiviati utilizzando interfacce integrate per l’archiviazione su cloud, database relazionali e non relazionali e protocolli come REST, MQTT e OPC UA.
- Pre-elabora i dati ed estrai le feature per monitorare le condizioni delle apparecchiature utilizzando app per l'elaborazione dei segnali e tecniche statistiche.
- Sviluppa modelli di Machine Learning per isolare la causa principale dei guasti e prevedere i guasti e la vita utile residua (RUL).
- Distribuisci algoritmi e modelli prescelti di sistemi operativi come sistemi embedded, dispositivi edge e il cloud generando automaticamente componenti software basate su C/C ++, Python, HDL, PLC, GPU, .NET o Java®.
Utilizzo di MATLAB e Simulink per la manutenzione predittiva
Accesso ai propri dati ovunque si trovino
I dati delle apparecchiature possono essere strutturati o non strutturati e risiedere in più fonti, ad esempio in file locali, server OPC UA, sul Cloud (ad es. AWS® S3, Azure® Blob), in database e storici dei dati di sistema come OSIsoft® PI System™. Ovunque siano i propri dati, è possibile consultarli con MATLAB. Quando non si dispone di dati sufficienti sui guasti, è possibile generarli da un modello Simulink della propria macchina inserendo errori di segnalazione e modellando dinamiche di guasti del sistema.

Ulteriori informazioni
- Big Data con MATLAB
- Utilizzo di Simulink per generare dati relativi ai guasti
- Lettura e scrittura di dati da server OPC e storici dei dati di sistema
- Connetti MATLAB a OSIsoft PI System (6:03)
- Accesso ed esplorazione dei dati relazionali con l’app Database Explorer (9:00)
- Che cos’è l’industria 4.0?
- AI con approccio pragmatico alla digital transformation (51:59)
Scopri i nostri prodotti

Semplificazione dei dati con operazioni di analisi e pulizia
I dati sono disordinati. Con MATLAB, puoi pre-elaborarli, ridurne la dimensionalità e studiare le feature.
- Allinea i dati campionati a velocità diverse e tieni conto dei valori mancanti e degli outlier.
- Rimuovi il rumore, filtra i dati e analizza i segnali transitori o mutevoli mediante tecniche avanzate di elaborazione di segnali.
- Semplifica i set di dati e riduci l’overfitting dei modelli predittivi utilizzando metodi statistici e dinamici per l'estrazione e la selezione delle feature.
Ulteriori informazioni
- Esplorazione e organizzazione dei dati cronodatati in MATLAB
- Pre-elaborazione dei dati per il monitoraggio delle condizioni
- Analisi delle vibrazioni nel dominio della frequenza e di tempo-frequenza
- Estrazione di feature basate su modelli e segnali per il monitoraggio delle condizioni
- Pulizia dei dati
Scopri i nostri prodotti
Rilevamento e previsione dei guasti con il Machine Learning
Prevedi i guasti identificandone la causa principale mediante tecniche di classificazione, regressione e modellazione di serie storiche.
- Esplora e seleziona in modo interattivo le variabili più importanti per stimare la RUL o classificare le modalità di guasto.
- Addestra, confronta e convalida più modelli predittivi con le funzioni integrate.
- Calcola e visualizza gli intervalli di confidenza per quantificare l'incertezza nelle previsioni.

Ulteriori informazioni
- Modelli decisionali per il rilevamento e la diagnosi di guasti
- Tecniche di previsione della vita utile residua (RUL)
- Machine Learning: classificazione e selezione delle feature (4:01)
- Tre modi per stimare la vita utile residua: manutenzione predittiva con MATLAB
- Gemelli digitali per la manutenzione predittiva
Scopri i nostri prodotti

Distribuzione di algoritmi nei sistemi di produzione
Riduci i tempi di risposta, trasmetti meno dati e rendi i risultati immediatamente disponibili agli operatori della linea di produzione implementando i tuoi algoritmi MATLAB su dispositivi embedded e sistemi IT/OT aziendali.
Ulteriori informazioni
- Architetture di riferimento per AWS e integrazione sul cloud Azure con MATLAB
- Generazione di codice per sistemi embedded
- Distribuzione di applicazioni sul web
- Internet of Things con MATLAB e Simulink
- Da Acorn a Oak: potenziamento dell’apprendimento federato con modelli fisici (32:29)
- Distribuzione di modelli predittivi addestrati su sistemi target