Predictive Maintenance Toolbox
Concevoir et tester des algorithmes de surveillance de l'état et de maintenance prédictive
Vous avez des questions ? Contactez l'équipe commerciale.
Predictive Maintenance Toolbox offre des fonctions et des applications pour le design d'algorithmes de surveillance de l'état et de maintenance prédictive dédié aux moteurs, aux boîtes de vitesses, aux roulements, aux batteries et à d'autres applications. La toolbox vous permet de concevoir des indicateurs d'état, de détecter les défauts et les anomalies, et d'estimer la durée de vie utile restante (RUL).
Avec l'application Diagnostic Feature Designer, vous pouvez extraire de manière interactive des caractéristiques temporelles, fréquentielles, temps-fréquence et basées sur la physique. Vous pouvez classer et exporter les caractéristiques afin de développer des algorithmes spécifiques à une application pour la détection de défauts et d'anomalies. Pour estimer la RUL, vous pouvez utiliser des modèles de survie, de similarité et de tendances.
La toolbox vous aide à organiser et analyser les données de capteurs importées à partir de fichiers locaux, d'un stockage dans le cloud ou de systèmes de fichiers distribués. Vous pouvez générer des données de défaillance simulées à partir de modèles Simulink et Simscape.
Pour opérationnaliser vos algorithmes, vous pouvez générer le code C/C++ pour un déploiement en périphérie ou créer des applications de production pour un déploiement dans le cloud. La toolbox inclut des exemples de référence spécifiques à l'application, que vous pouvez réutiliser pour développer et déployer des algorithmes de maintenance prédictive personnalisés.
Détection d'anomalies et de défauts
Entraînez des algorithmes statistiques, de Machine Learning et de Deep Learning pour détecter les anomalies et les défauts dans les données de séries temporelles. Surveillez les changements dans votre système, détectez les anomalies et identifiez les défauts.
Durée de vie utile restante (RUL)
Entraînez des modèles estimateurs de RUL sur des données d'historique pour estimer le temps de fonctionnement avant défaillance. Utilisez l'application Health Indicator Designer pour transformer de manière interactive des caractéristiques en un indicateur de santé composite pour la formation du modèle RUL.
Ingénierie des caractéristiques
Utilisez l'application Diagnostic Feature Designer pour extraire automatiquement et classer les caractéristiques afin d'entraîner des modèles statistiques et d'IA.
Maintenance prédictive spécifique aux composants
Appliquez des outils de maintenance prédictive spécifiques aux composants pour les machines tournantes et les batteries. Classifiez les défauts de roulement, détectez les fuites dans les pompes, pistez les variations de performance des moteurs, identifiez les défauts dans les boîtes de vitesses, détectez les anomalies dans les cellules lithium-ion et les packs de batteries, et estimez la durée de vie restante des cycles de batterie. Démarrez rapidement grâce à une bibliothèque d’exemples de référence.
Gestion des données et prétraitement
Accédez aux données de capteurs enregistrées en local ou à distance. Préparez les données pour le développement d’algorithmes en éliminant les valeurs aberrantes, en filtrant et en appliquant différentes techniques de prétraitement dans le domaine temporel, fréquentiel et temps-fréquence.
Génération de données synthétiques
Simulez le comportement du système, les défauts et les dégradations, en utilisant des modèles basés sur la physique construits dans Simulink et Simscape, ou injectez directement des anomalies synthétiques dans les données de séries temporelles. Créez des jumeaux numériques pour surveiller les performances et prédire le comportement futur.
Déploiement embarqué
Utilisez MATLAB Coder pour générer du code C/C++ directement à partir de fonctions de calcul de caractéristiques, d'algorithmes de surveillance de l'état et d'algorithmes prédictifs pour le traitement embarqué en temps réel.
Déploiement dans le cloud
Utilisez MATLAB Compiler et MATLAB Compiler SDK pour mettre à l'échelle des algorithmes dans le cloud en tant que bibliothèques partagées, packages, applications web, conteneurs Docker, et plus encore. Déployez sur MATLAB Production Server sur Microsoft® Azure® ou AWS® sans avoir à recoder.
Ressources produits :
Série de vidéos sur la maintenance prédictive
Regardez cette série de vidéos pour découvrir la maintenance prédictive.
FAQ sur Predictive Maintenance Toolbox
Predictive Maintenance Toolbox fournit des fonctions et des applications pour concevoir des algorithmes de surveillance d’état et de maintenance prédictive pour moteurs, boîtes de vitesses, roulements, batteries et autres applications, vous permettant de concevoir des indicateurs d'état, de détecter des défauts et des anomalies, et d'estimer la durée de vie utile restante (RUL).
L'application Diagnostic Feature Designer permet d'extraire de manière interactive des caractéristiques temporelles, fréquentielles, temporelles-fréquentielles et basées sur la physique à partir de données de capteurs, de les classer selon leur efficacité et de les exporter pour développer des algorithmes spécifiques à l'application pour la détection de défauts et d'anomalies.
La boîte à outils contient des modèles de survie, de similarité et de dégradation qui peuvent être entraînés sur des données historiques pour prédire le temps jusqu'à la défaillance.
Oui. Vous pouvez générer du code C/C++ avec MATLAB Coder pour un déploiement embarqué ou créer des applications de production pour un déploiement cloud en utilisant MATLAB Compiler, MATLAB Compiler SDK ou MATLAB Production Server.
Vous pouvez organiser et analyser des données de capteurs en séries temporelles multi-canaux et multi-membres importées depuis des fichiers locaux, du stockage cloud et des systèmes de fichiers distribués. Vous pouvez également générer des données de panne simulées à partir de modèles Simulink et Simscape.
Bien que Predictive Maintenance Toolbox puisse être utilisé pour toute application de maintenance prédictive exploitant des données de séries temporelles, il contient également des outils spécifiques aux composants et des exemples de référence pour les machines tournantes et les batteries. Cela inclut la classification des défauts de roulement, la détection de fuites de pompe, le suivi des variations de performance des moteurs, l'identification des défauts de boîte de vitesses, la détection d'anomalies dans les cellules lithium-ion et les packs de batteries, et l'estimation de la durée de vie restante en cycles des batteries.
Time Series Anomaly Detection for MATLAB est un module complémentaire pour Predictive Maintenance Toolbox. Ce module complémentaire contient des fonctions et une application pour caractériser le comportement normal d'un système et détecter des anomalies dans des données de capteurs en séries temporelles en utilisant des détecteurs statistiques, de machine learning et de deep learning prêts à entraîner.
Essayez Predictive Maintenance Toolbox gratuitement
Découvrez nos produits.
Prêt à acheter ?
Découvrez les tarifs et les produits.
Vous êtes étudiant ?
Votre établissement propose peut-être déjà un accès à MATLAB, Simulink et d'autres produits complémentaires via la licence Campus-Wide.
