预测维护工具箱
设计和测试条件监控和预测维护算法
预测维护工具箱™可让您管理传感器数据，设计条件指示灯，并估计机器的剩余使用寿命（RUL）。
工具箱提供了使用基于数据和基于模型的技术的探索，提取和排序功能的功能和交互式应用程序，包括统计，光谱和时序分析。您可以通过使用频率和时频方法从振动数据中提取特征来监测旋转机器的健康。为了估算机器的失败时间，您可以使用生存，相似性和基于趋势的模型来预测rul。
您可以组织和分析从本地文件，云存储和分布式文件系统导入的传感器数据。您可以标记从Simulink生成的模拟故障数据金宝app®楷模。工具箱包括电机，齿轮箱，电池和其他机器的参考示例，可以重复使用用于开发自定义预测性维护和状态监测算法。
要操作算法，您可以生成C / C ++代码以部署到边沿或创建用于部署到云的生产应用程序。
开始：
RUL估计模型
估计机器的RUL，以帮助您预测它是故障并优化维护计划的时间。这RUL估计算法的类型使用取决于从数据中提取的条件指示，以及可用的数据。
相似性，降解和生存RUL模型。
使用分类模型进行故障诊断
通过使用支持向量机，K-means集群和其他机器学习技术训练分类和聚类模型来隔离故障的根本原因。金宝app
使用分类学习者应用诊断故障。
使用基于数据的模型进行故障检测。
诊断功能设计器应用程序
提取，可视化和等级功能以设计监控机器健康的条件指示灯。从应用程序生成MATLAB代码以自动化整个过程。
基于信号的条件指示灯
利用雨流程计数，光谱峰值检测，光谱峰值等时间，频率和时频域技术提取原始或预处理传感器数据的特征。使用Live Editor任务以交互式执行相位空间重建并提取非线性信号功能。
基于时间频率的条件指示灯。
自动评级模型的条件指示灯。
风力涡轮机轴承的RUL估计。
泵，电机和电池
开发用于检测泵中泄漏和堵塞的算法，跟踪电机摩擦的变化，以及随时间估算电池劣化。
Triplex泵中的故障分类。
数据导入和组织
从本地文件导入数据，Amazon S3™，Windows Azure®Blob Storage和Hadoop®分布式文件系统。
使用数据集合管理多个文件。
Simulink和Simscape的失败数据生成金宝app
使用机器的Simulink和Simscape™型号模拟和标记故障数据。金宝app修改参数值，注入故障和更改模型动态。
使用模拟数据集合管理数据。
将预测维护算法部署到PLC
云部署
用Matlab Compiler™和MATLAB编译器SDK™将预测维护算法部署为C / C ++共享库，Web应用程序，Docker容器，Microsoft®.NET装配，Java®课程和python®包裹。部署生成的库MATLAB生产服务器™关于微软®Azure.®，AWS.®，或专用的可在不重新编码或创建自定义基础架构的上限服务器。
部署预测维护系统的组件
