Predictive Maintenance Toolbox
Entwerfen und Testen von Algorithmen zur Zustandsüberwachung und Predictive Maintenance
Haben Sie noch Fragen? Kontaktieren Sie den Vertrieb.
Die Predictive Maintenance Toolbox bietet zahlreiche Funktionen und Apps für die Entwicklung von Algorithmen zur Zustandsüberwachung und vorausschauenden Wartung von Motoren, Getrieben, Lagern, Batterien und anderen Anwendungen. Mit der Toolbox lassen sich Zustandsindikatoren erstellen, Fehler und Anomalien erkennen und die Restnutzungsdauer (RUL) abschätzen.
Mithilfe der Diagnostic Feature Designer-App können Sie interaktiv Merkmale auf Zeit-, Frequenz-, Zeit-Frequenz- und Physikbasis extrahieren. Anschließend können Sie die Merkmale einordnen und exportieren, um anwendungsspezifische Algorithmen für die Fehler- und Anomalieerkennung zu entwickeln. Zur Schätzung der RUL stehen verschiedene überlebens-, ähnlichkeits- und trendbasierte Modelle zur Verfügung.
Die Toolbox erleichtert Ihnen die Organisation und Analyse von Sensordaten, die aus lokalen Dateien, Cloud-Speichern und verteilten Dateisystemen importiert wurden. Mittels Simulink- und Simscape-Modellen lassen sich simulierte Fehlerdaten erzeugen.
Um Ihre Algorithmen zu operationalisieren, können Sie C/C++ Code zur Implementierung auf Edge-Geräten generieren oder Produktionsanwendungen für die Cloud-Bereitstellung erstellen. Die Toolbox enthält anwendungsspezifische Referenzbeispiele, die Sie für die Entwicklung und den Einsatz benutzerdefinierter Algorithmen zur Predictive Maintenance wiederverwenden können.
Anomalie- und Fehlerdetektion
Trainieren Sie statistische, Machine Learning- und Deep Learning-Algorithmen, um Anomalien und Fehler in Zeitreihendaten zu erkennen. Verfolgen Sie Änderungen in Ihrem System, erkennen Sie Anomalien und identifizieren Sie Fehler.
Schätzung der verbleibenden Nutzungsdauer (Remaining Useful Life, RUL)
Trainieren Sie RUL-Schätzermodelle anhand historischer Daten, um die Restlebensdauer vorherzusagen. Verwenden Sie die Health Indicator Designer-App, um Merkmale interaktiv in einen kombinierten Gesundheitsindikator für das Training des RUL-Modells zu umzuwandeln.
Merkmalserkundung und -extraktion (Feature Engineering)
Verwenden Sie die App Diagnostic Feature Designer, um automatisch Merkmale zu extrahieren und einzuordnen, um statistische und KI-Modelle zu trainieren.
Komponentenspezifische vorausschauende Wartung
Wenden Sie komponentenspezifische Predictive Maintenance-Werkzeuge auf rotierende Maschinen und Batterien an. Klassifizieren Sie Lagerdefekte, erkennen Sie Lecks in Pumpen, verfolgen Sie Veränderungen in der Motorleistung, identifizieren Sie Fehler in Getrieben, erkennen Sie Anomalien in Lithium-Ionen-Zellen und Batteriepacks und schätzen Sie die verbleibende Batterielebensdauer. Eine Bibliothek von Referenzbeispielen erleichtert den direkten Einstieg.
Datenmanagement und Vorverarbeitung
Greifen Sie auf Sensordaten lokal oder per Fernzugriff zu. Bereiten Sie die Daten für die Entwicklung von Algorithmen vor, indem Sie auffällige Abweichungen entfernen, filtern und verschiedene Zeit-, Frequenz- und Zeit-Frequenz-Vorverarbeitungsmethoden anwenden.
Synthetische Datenerzeugung
Simulieren Sie das Systemverhalten, Fehler und Verschlechterungen mithilfe physikbasierter Modelle, die in Simulink und Simscape erstellt wurden, oder bringen Sie synthetische Anomalien direkt in Zeitreihendaten ein. Erstellen Sie digitale Zwillinge, um die Leistung zu überwachen und künftiges Verhalten vorherzusagen.
Bereitstellung in Embedded-Systemen
Verwenden Sie den MATLAB Coder, um C/C++ Code direkt aus den Funktionen zur Merkmalsberechnung, den Algorithmen zur Zustandsüberwachung und den prädiktiven Algorithmen für die Echtzeit-Embedded-Verarbeitung zu erzeugen.
Bereitstellung in der Cloud
Verwenden Sie den MATLAB Compiler und MATLAB Compiler SDK zur Skalierung von Algorithmen in der Cloud als gemeinsam genutzte Bibliotheken, Pakete, Web-Apps, Docker-Container und mehr. Die Bereitstellung erfolgt auf dem MATLAB Production Server auf Microsoft® Azure® oder AWS® ohne Umkodierung.
Produktressourcen:
Videoreihe zur Predictive Maintenance
Sehen Sie sich die Videos in dieser Reihe an, um mehr über die Predictive Maintenance zu erfahren.
Häufig gestellte Fragen zur Predictive Maintenance Toolbox
Die Predictive Maintenance Toolbox bietet Funktionen und Apps zum Entwickeln von Zustandsüberwachungs- und Predictive-Maintenance-Algorithmen für Motoren, Getriebe, Lager, Batterien und andere Anwendungen, die es Ihnen ermöglichen, Zustandsindikatoren zu entwickeln, Fehler und Anomalien zu erkennen sowie die verbleibende Nutzungsdauer (RUL) zu schätzen.
Die Diagnostic Feature Designer-App ermöglicht es Ihnen, interaktiv Zeit-, Frequenz-, Zeit-Frequenz- und physikbasierte Merkmale aus Sensordaten zu extrahieren, diese hinsichtlich ihrer Wirksamkeit zu bewerten und sie zu exportieren, um anwendungsspezifische Algorithmen für die Fehler- und Anomalie-Detektion zu entwickeln.
Die Toolbox enthält Überlebens-, Ähnlichkeits- und Degradationsmodelle, die auf historischen Daten trainiert werden können, um die Ausfallzeit vorherzusagen.
Ja, Sie können C/C++ Code mithilfe von MATLAB Coder für die Embedded-Bereitstellung generieren oder Produktionsanwendungen für die Cloud-Bereitstellung mit MATLAB Compiler, MATLAB Compiler SDK oder MATLAB Production Server erstellen.
Sie können mehrkanalige, mehrgliedrige Zeitreihendaten von Sensoren, die aus lokalen Dateien, Cloud-Speichern und verteilten Dateisystemen importiert wurden, organisieren und analysieren. Sie können auch simulierte Ausfalldaten aus Simulink- und Simscape-Modellen generieren.
Während die Toolbox für jede Predictive Maintenance-Anwendung mit Zeitreihendaten von Sensoren verwendet werden kann, enthält sie auch komponentenspezifische Werkzeuge und Referenzbeispiele für rotierende Maschinen und Batterien. Dies umfasst die Klassifizierung von Lagerdefekten, die Erkennung von Pumpenlecks, das Tracking von Änderungen der Motorleistung, die Identifizierung von Getriebefehlern, die Erkennung von Anomalien in Lithium-Ionen-Zellen und Batteriepacks sowie die Schätzung der verbleibenden Batteriezelllebensdauer.
Time Series Anomaly Detection for MATLAB ist ein Support-Paket für die Predictive Maintenance Toolbox. Dieses Support-Paket enthält Funktionen und eine App zur Charakterisierung des normalen Systemverhaltens und zur Erkennung von Anomalien in Zeitreihensensordaten mithilfe einsatzbereiter statistischer, Machine Learning- und Deep Learning-Detektoren.
Predictive Maintenance Toolbox kostenlos ausprobieren
Entdecken Sie noch heute die Möglichkeiten.
Bereit zum Kauf?
Angebot anfordern und Erweiterungsprodukte entdecken.
Studieren Sie?
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.
