在蒙迪的工厂的挤压和其他机器大而复杂，测量可达50米长，15米高。每个机器由多达五个可编程逻辑控制器（PLC），其记录温度，压力，速度和其它性能参数从机器的传感器控制。每台机器记录每分钟300-400的参数值，生成每日数据的7字节。

蒙迪在使用此数据为预测性维护面临着一些挑战。首先，工厂人员曾与统计分析和机器学习经验有限。他们需要评估各种机器学习的方法来确定其生产为他们的数据最准确的结果。他们还需要开发出呈现的结果清楚地并立即向机器操作的应用程序。最后，他们需要打包此应用程序在生产环境中连续使用。

蒙迪曾与MathWorks的咨询和博士-ING教授。安德烈亚斯·柯尼希开发和部署MATLAB健康监测和预测维护软件。

该蒙迪队此前设置Oracle^®通过以太网网络数据库，从工厂所有的机器收集数据。他们使用的数据库工具箱™从内部MATLAB访问该数据库。

接下来，研究小组开发的MATLAB脚本通过消除离群值无效清理数据。

他们开发的MATLAB应用程序来查询数据库，并以图形呈现结果。例如，操作者可以使用该应用程序接口来绘制由特定传感器在一段数分钟，数小时或数周的测得的压力。

为了提高应用程序，他们增加统计过程控制（SPC）功能，提醒操作人员是超出正常操作范围的传感器值。

使用统计和机器学习工具箱™和深度学习工具箱™，蒙迪和MathWorks公司的顾问评估了几种机器学习技术，包括神经网络，K近邻，袋装决策树和支持向量机（SVM）。金宝app

对于每一个技术，他们训练使用记录机数据分类模型，然后测试该模型的预测机问题的能力。试验表明，袋装决策树的整体是他们的数据最准确的模型。

该团队通过更新接口包括从机器学习模型预测进一步增强了MATLAB应用程序。这些预测使设备操作人员发生之前收到有关潜在故障警告。蒙迪然后使用MATLAB编译™创建应用程序，这是目前在生产，在工厂中使用的一个独立的可执行版本。

• 超过50000欧元每年节约。“我们的财务部门，决定了我们通过使用MATLAB进行预防性维护每年节电超过50000欧元，” Kohlert博士说。“那总是以只是8台机器。我们预计至少增加四倍，因为我们从我们更多的机器的分析数据。”
• 样机在六个月内完成。“很多顾问，有一个很大的讨论，但没有行动，”笔记Kohlert博士。“MathWorks公司的顾问直接启动。我们必须在两个月内的第一次测试，并在六个工作原型。在MATLAB代码很容易理解，所以我们可以在需要的时候迅速做出改变。”
• 制作软件全天候运行。“有一种误解，认为MATLAB是仅用于研究或发展，” Kohlert博士说。“我们运营的机器不停，甚至在圣诞节，我们依靠我们基于MATLAB监测和预测维护软件在生产中不断和可靠地运行。”