Predictive Maintenance Toolbox

Entwickeln und Testen von Algorithmen zur Zustandsüberwachung und vorausschauenden Instandhaltung

Haben Sie Fragen? Vertrieb kontaktieren.

Mit der Predictive Maintenance Toolbox können Sie Sensordaten verwalten, Zustandsindikatoren entwerfen und die Restnutzungsdauer (Remaining Useful Life – RUL) einer Maschine abschätzen.

Die Toolbox bietet Funktionen und eine interaktive App, um Merkmale mithilfe daten- und modellbasierter Techniken wie statistischer, spektraler und zeitreihenbasierter Analysen zu erkunden, zu extrahieren und einzuordnen. Anhand von Sensordaten lassen sich Merkmale zur Zustandsüberwachung von Akkus, Motoren, Getrieben und anderen Maschinen extrahieren. Um die Zeit bis zum Ausfall einer Machine abzuschätzen, können Sie die Restnutzungsdauer mit Überlebenszeit-, Ähnlichkeits- und trendbasierten Modelle vorhersagen.

Aus lokalen Dateien, Cloud-Speichern und verteilten Dateisystemen importierte Sensordaten lassen sich organisieren und analysieren. Mit Simulink-Modellen können Ausfalldaten generiert und gekennzeichnet werden. Die Toolbox umfasst Referenzbeispiele für Motoren, Getriebe, Akkus, Pumpen, Lager und andere Maschinen, die zur Entwicklung kundenspezifischer Algorithmen zur vorausschauenden Instandhaltung und Zustandsüberwachung wieder verwendet werden können.

Zur Operationalisierung Ihrer Algorithmen generieren Sie C/C++ Code bzw. erstellen Sie eine Produktionsanwendung, um sie am Edge bzw. in der Cloud bereitzustellen.

Was ist die Predictive Maintenance Toolbox?

Die Diagnostic Feature Designer-App zeigt Signaldaten in vier Fensterbereichen an: Signalkurven, Leistungsspektren, eine Tabelle mit nach einer One-Way-ANOVA geordneten Merkmalen sowie ein Balkendiagramm, das die Merkmale nach ihrer Bedeutsamkeit sortiert.

Merkmalserkundung und -extraktion (Feature Engineering)

Verwenden Sie die Diagnostic Feature Designer-App oder extrahieren und bewerten Sie programmgesteuert bestimmte Merkmale aus Sensordaten mit signal- und modellbasierten Ansätzen zur Fehlerdetektion und -vorhersage mit KI.

Merkmalsentwicklung für vorausschauende Instandhaltung (3:03)

Dokumentation | Beispiele

Ein Diagramm mit zwei Gruppen von Leistungsspektren. Die schwarze Gruppe ist als normal und die rote Gruppe als fehlerhaft gekennzeichnet. Die rote Gruppe weist bei einigen Frequenzen größere Magnitudenspitzen auf.

Erkennung von Fehlern und Anomalien

Verwenden Sie KI sowie statistische und dynamische Modellierungsmethoden zum Condition Monitoring. Verfolgen Sie Änderungen in Ihrem System, erkennen Sie Anomalien und identifizieren Sie Fehler.

Dokumentation | Beispiele

RUL-Schätzung

Trainieren Sie RUL-Schätzmodelle anhand historischer Daten, um die Zeit bis zum Ausfall vorherzusagen und Instandhaltungspläne zu optimieren.

Drei Wege zur Abschätzung der verbleibenden Nutzungsdauer

Dokumentation | Beispiele

Ein MATLAB-Diagramm der elektrischen Daten eines Motors mit farbigen Bändern zur Hervorhebung der ersten sechs harmonischen Fehlerbänder und Seitenbänder.

Anwendungsspezifische Algorithmen

Nutzen Sie komponentenspezifische Funktionen, um Algorithmen zur Erkennung von Akku-Anomalien, zur Klassifizierung von Lagerfehlern, zur Erkennung von Pumpenlecks, zur Verfolgung von Änderungen der Motorleistung und vieles mehr zu entwickeln. Mit einer Bibliothek von Referenzbeispielen können Sie direkt loslegen.

Dokumentation | Beispiele

MATLAB Programmcode, der zeigt, wie ein fileEnsembleDatastore aus einem Satz lokal gespeicherter Schwingungsdateien erstellt wird. Die Ausgabe zeigt das Ensemble in Form einer umfangreichen Tabelle.

Datenmanagement und Vorverarbeitung

Zugriff auf Sensordaten, die lokal oder per Fernzugriff gespeichert wurden. 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.

Dokumentation | Beispiele

Ein Simscape-Modell, das ein Pumpengehäuse, drei Kolben und eine Kurbelwelle zeigt, die miteinander verbunden sind.

Generierung von Störungsdaten

Generieren Sie simulierte Daten über Ausfall und Zustandsverschlechterung mithilfe von Simulink- und Simscape-Modellen Ihrer Maschine. Ändern Sie Parameterwerte, fügen Sie Fehler hinzu und verändern Sie die Modelldynamik. Erstellen Sie digitale Zwillinge, um die Leistung zu überwachen und künftiges Verhalten vorherzusagen.

Was ist ein digitaler Zwilling? (8:28)

Dokumentation | Beispiele

Ein MATLAB Coder Report zeigt auf der linken Seite MATLAB Programmcode für eine RUL-Vorhersagefunktion und auf der rechten Seite den entsprechenden C++ Code. Eine farbige Region bildet eine einzelne Zeile MATLAB Programmcode auf mehreren Zeilen C++ Code ab.

Codegenerierung

Verwenden Sie den MATLAB Coder, um C/C++ Code direkt aus den Funktionen zur Merkmalsberechnung, den Algorithmen für das Condition Monitoring und den prädiktiven Algorithmen zur Verarbeitung am Edge in Echtzeit zu generieren.

Dokumentation | Beispiele

Bereitstellung prädiktiver Algorithmen in Ihrem Unternehmens-Ökosystem mithilfe des MATLAB Production Server

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.

Dokumentation | Beispiele