Predictive Maintenance Toolbox

 

Predictive Maintenance Toolbox

Concevoir et tester des algorithmes de surveillance d'état et de maintenance prédictive

En savoir plus :

Détection des défaillances et estimation de la durée de vie restante utile (RUL)

Détectez les anomalies, diagnostiquez la cause principale des défaillances et estimez la RUL avec des modèles de Machine Learning et de séries temporelles.

Modèles d'estimation de la RUL

Estimez la RUL d'une machine pour vous aider à prévoir son temps de fonctionnement avant panne et optimiser les calendriers de maintenance. Le type d'algorithme d'estimation de la RUL utilisé dépend des indicateurs d'état extraits des données, ainsi que de la quantité de données disponibles.

Modèles de similarité, de dégradation et de survie pour la RUL.

Diagnostic des défaillances avec des modèles de classification

Isolez la cause principale d'une défaillance en entrainant des modèles de classification et de clustering avec des machines à vecteurs de support, des algorithmes de clustering k-means et d'autres techniques de Machine Learning.

Diagnostic des défaillances avec l'application Classification Learner.

Détection des défaillances et des anomalies

Suivez les changements dans votre système afin d'identifier la présence d'anomalies et de défaillances avec la détection des points de retournement, les filtres de Kalman et les diagrammes de contrôle.

Détection des défaillances avec des modèles basés sur les données.

Design des indicateurs d'état

Réalisez l'extraction des caractéristiques à partir de données de capteurs grâce aux approches basées sur les signaux et sur des modèles. Utilisez les caractéristiques extraites comme données d'entrée pour les algorithmes de diagnostic et de Machine Learning.

Application Diagnostic Feature Designer

Extrayez, visualisez et classez des caractéristiques afin de concevoir des indicateurs d'état pour la surveillance de l'état de la machine. Générez du code MATLAB à partir de l'application pour automatiser l'ensemble du processus.

Indicateurs d'état basés sur les signaux

Réalisez l'extraction des caractéristiques à partir de données de capteurs brutes ou prétraitées avec le comptage Rainflow, la détection des pics spectraux, le kurtosis spectral et d'autres techniques dans les domaines temporel, fréquentiel et temps-fréquence. Utilisez les tâches du Live Editor pour réaliser une reconstruction de l'espace de phase de manière interactive et extraire des caractéristiques de signaux non linéaires.

Indicateur d'état temps-fréquence.

Indicateurs d'état basés sur des modèles

Ajustez des modèles de séries temporelles linéaires et non linéaires, des modèles à représentation d'état et des modèles de fonction de transfert à des données de capteurs. Utilisez les propriétés et caractéristiques de ces modèles ajustés comme indicateurs d'état.

Indicateur d'état basé sur des modèles autorégressifs.

Exemples de référence pour le développement d'algorithmes

Développez des algorithmes de surveillance de l'état et de maintenance prédictive pour des batteries, des boîtes de vitesses, des pompes et d'autres machines.

Roulements et boîtes de vitesse

Développez des algorithmes pour le classement des défaillances au niveau des chemins de roulement intérieurs et extérieurs, la détection des défaillances au niveau des dents d'engrenage et l'estimation de la RUL.

Estimation de la RUL d'un roulement d'éolienne.

Pompes, moteurs et batteries

Développez des algorithmes pour la détection des fuites et des encrassements dans les pompes, le suivi des changements de la friction moteur et l'estimation de l'usure d'une batterie dans le temps.

Classification des défaillances dans une pompe triplex.

Gestion des données

Accédez directement aux données. Générez des données de simulation à partir de modèles Simulink pour représenter les défaillances d'une machine en l'absence de données de capteurs réelles.

Importation et organisation des données

Importez des données à partir de fichiers stockés en local, d'Amazon S3™, du service de stockage Windows Azure® Blob et du système de fichiers distribués Hadoop®.

Gestion de plusieurs fichiers avec un ensemble de données.

Génération de données de défaillance à partir de Simulink et Simscape

Simulez et étiquetez des données de défaillance avec des modèles Simulink et Simscape™ de votre machine. Modifiez la valeur des paramètres, intégrez des erreurs et changez la dynamique du modèle.

Gestion des données avec des ensembles de données de simulation.

Déploiement sur dispositif périphérique et dans le cloud

Déployez des algorithmes de surveillance d'état et de maintenance prédictive sur des dispositifs périphériques ou des applications de production dans le cloud

Déploiement sur dispositif périphérique

Utilisez MATLAB Coder™ pour générer du code C/C++ pour les modèles de RUL et les calculs de caractéristiques.

Déploiement d'algorithmes de maintenance prédictive sur un PLC

Déploiement dans le cloud

Utilisez MATLAB Compiler™ et MATLAB Compiler SDK™ pour déployer des algorithmes de maintenance prédictive sous forme de bibliothèques C/C++ partagées, d'applications web, de conteneurs Docker, d'assemblages Microsoft® .NET, de classes Java® et de packages Python®. Déployez les bibliothèques générées dans MATLAB Production Server™ sur Microsoft® Azure®, AWS® ou sur des serveurs dédiés sur site sans avoir à les recoder ou à créer une infrastructure personnalisée.

Composants d'un système de maintenance prédictive déployé

Série de vidéos sur la maintenance prédictive

Regardez cette série de vidéos pour découvrir la maintenance prédictive.