如果在作业区的一辆卡车发生泵故障，贝克休斯必须立即更换卡车，以确保其持续运行。向每个站点发送备用卡车会让公司损失数千万美元的收入，如果这些卡车在另一个站点上被积极使用，就可以产生这些收入。由于无法准确预测何时需要维修阀门和泵，其他成本也随之增加。过于频繁的维护会浪费精力，导致部件在仍然可用时就被更换，而过于不频繁的维护则可能损坏泵，使其无法修复。

贝克休斯的工程师们想要开发一种系统，这种系统可以判断一台机器什么时候会出现故障，什么时候需要维修。为了开发这个系统，该团队需要处理和分析高达1tb的数据，这些数据以每秒50,000个样本的速度收集自安装在10辆卡车上的传感器。从这个庞大的数据集中，他们需要确定在预测故障时有用的参数。

贝克休斯的工程师使用MATLAB开发了水泵健康监测软件，该软件使用数据分析进行预测维护。

他们将现场采集的温度、压力、振动等传感器数据导入MATLAB。该团队与MathWorks支持工程师一起开发了一个自定义脚本，用于金宝app读取和解析存储在私有格式二进制文件中的传感器数据。

在MATLAB中，贝克休斯团队分析了导入的数据，以确定数据中的哪些信号对设备的磨损影响最大。这一步包括进行傅里叶变换和频谱分析，以及过滤掉卡车、泵和流体的大运动，以便更好地检测阀门和阀座的小振动。

为了自动处理收集的近1tb的数据，团队编写了MATLAB脚本，并在夜间执行。

工程师们发现，从压力、振动和定时传感器获取的数据与预测机器故障最相关。

与MathWorks支持工程师一起，该团队使用统计和机金宝app器学习工具箱™和深度学习工具箱™评估了几种机器学习技术。这一初步评估表明，神经网络产生了最准确的结果。研究小组建立并训练了一个神经网络，利用传感器数据来预测泵的故障。他们使用来自该领域的未用于构建模型的其他数据来验证这个模型。

现场试验证实了水泵健康监测系统预测水泵故障的能力。

• 预计节省1 000多万美元。贝克休斯的高级产品经理Thomas Jaeger说:“在一年的时间里，我们可以花费大量的收入来维修和更换内部的泵部件，比如阀门、阀座、柱塞和密封件。”“我们估计，我们在MATLAB中开发的软件将使总成本降低30% - 40%，这是在减少现场额外卡车需求的基础上节省的成本。”
• 开发时间减少了十倍。“MATLAB使我们能够执行我们想要的分析和处理，包括机器学习，”Singh说。使用较低级别的语言，您无法总是找到所需的库并在分配的几周时间内完成项目。如果我们必须为所有内置的MATLAB功能使用低级语言库来编写自己的代码，那么完成这个项目可能要多花一个数量级的时间。”
• 多种类型的数据容易访问。“MATLAB使得将多种数据组合成一个分析应用程序变得很容易，”Singh说。“我们甚至能够使用专用文件格式的传感器数据。”