预测维修工具箱
设计和测试状态监控和预测维护算法
预测性维护工具箱™让您管理传感器数据，设计条件指标，并估计机器的剩余使用寿命(RUL)。
这个工具箱提供了一些函数和一个交互式应用程序，可以使用基于数据和基于模型的技术(包括统计、光谱和时间序列分析)来探索、提取和排序特性。通过使用频率和时频方法从振动数据中提取特征，可以监视旋转机器的健康状况。为了估计机器的故障时间，可以使用生存、相似性和基于趋势的模型来预测RUL。
您可以对从本地文件、云存储和分布式文件系统导入的传感器数据进行组织和分析。您可以标记由Simulink®模型生成的模拟故障数据。金宝app工具箱包括电机、变速箱、电池和其他机器的参考示例，可用于开发定制的预测性维护和状态监控算法。
要对算法进行操作，可以生成C/ c++代码部署到边缘，或者创建生产应用程序部署到云。
开始:
荷重软化评估模型
估计机器的RUL，以帮助您预测故障时间并优化维护计划。的类型的RUL估计算法使用情况取决于从数据中提取的条件指标，以及有多少数据可用。
相似、退化和幸存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聚类和其他机器学习技术训练分类和聚类模型，分离出故障的根本原因。金宝app
使用分类学习程序诊断故障。
使用基于数据的模型进行故障检测。
诊断功能设计应用
提取、可视化和排序特征，以设计监视机器运行状况的状态指示器。从应用程序生成MATLAB代码，以自动化整个过程。
ieee条件指标
使用雨流计数、谱峰检测、谱峰度和其他时间、频率、时频域技术从原始或预处理的传感器数据中提取特征。使用Live Editor Tasks交互式地执行相空间重构和提取非线性信号特征。
Time-frequency-based条件指标。
基于自回归模型的条件指标。
风力发电机轴承的RUL估计。
泵，马达和电池
开发算法来检测泵中的泄漏和堵塞，跟踪电机摩擦的变化，并估计电池随时间的退化。
三缸泵的故障分类。
数据导入与组织
从本地文件、Amazon S3™、Windows Azure导入数据®Blob Storage和Hadoop®分布式文件系统。
通过使用数据集成管理多个文件。
从Simulink和Simscape生成故障数据金宝app
使用您机器的Simulink和Simscape™模型模拟和标记故障数据。金宝app修改参数值，注入故障，并更改模型动力学。
使用模拟数据集成管理数据。
在PLC上部署预测性维护算法
云部署
使用MATLAB编译器™和MATLAB编译器SDK™将预测性维护算法部署为C/ c++共享库、web应用、Docker容器、Microsoft®net程序集,Java®Python类,®包。将生成的库部署到MATLAB生产服务器™在微软®Azure®, AWS®，或专用的prem服务器，而无需重新编码或创建自定义基础架构。
部署的预测性维护系统的组成部分
预见性维护视频系列
观看本系列视频了解预测性维护。
