MathWorks今天宣布了预测性维护工具箱,一个新的MATLAB产品,帮助工程师设计和测试状态监测和预测性维护算法。“预测性维护工具箱”为正在设计算法来组织数据、设计状态指示器、监控机器健康状况和估计剩余使用寿命(RUL)以防止设备故障的工程师提供功能和参考示例。
使用预测的维护工具箱,工程师可以分析和标记从本地存储的文件导入的传感器数据或在云存储上。它们还可以标记从Simulink模型生成的模拟故障数据以表示设备故障。金宝app信号处理和动态建模方法构建频谱分析和时间序列分析等技术,让工程师预处理数据和提取功能可用于监视机器的状况。使用生存,相似性和基于趋势的模型来预测罗卢帮助工程师估计机器的失败时间。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。
现在,工程师可以开发和验证所需的算法,以预测何时可能发生设备故障,或通过监测传感器数据检测任何潜在的异常。这些算法是通过访问存储在本地文件、云存储系统(如Amazon S3和Windows Azure Blob storage)或Hadoop分布式文件系统上的历史数据开发的。数据的另一个来源是来自包含故障动力学的设备物理模型的模拟数据。工程师可以从这些数据中提取并选择最合适的特征,然后使用交互式应用程序用这些特征训练机器学习模型,以预测或检测设备故障。
“预测性维护是工业物联网的关键应用。这对于减少不必要的维护成本和消除计划外停机非常重要。通常没有机器学习或信号处理背景的工程师会发现设计预测性维护的算法特别具有挑战性。”MathWorks的技术营销经理Paul Pilotte说。“现在,通过使用预测性维护工具箱作为学习如何设计和测试这些算法的起点,这些团队可以快速提升。”
预测性维护工具箱可在全球范围内使用,更多信息请访问mathworks.com/下载188bet金宝搏products/predictive-maintenance.html。
了解更多关于工程团队如何使用MATLAB减少设备停机时间预测故障,自动确定故障的根本原因,并避免不必要的维护成本mathworks.com/金宝搏官方网站solutions/predictive-maintenance.html。