通过监测传感器数据,预测何时会发生故障,预测算法可以避免设备故障。根据这些预测,您可以调整维护计划。这些预测算法为常规的预防性维护计划提供了一种替代方案,在常规预防性维护计划中,维护计划由规定的时间线决定。
预测算法使客户和设备制造商能够:
- 通过在故障前识别问题,减少设备停机时间,从而延长设备寿命
- 只在必要时安排设备服务,避免不必要的维护费用
- 通过确定即将发生的故障和故障的根本原因,使设备更快地恢复在线
预测算法对预测性维护计划的成功至关重要。温度、压力、电压、噪声或振动的测量是用传感器收集的。这些数据是用各种统计方法处理的信号处理被调用的提取特征的技术条件指标. 为了监控设备的健康状况,您可以使用数据聚类和分类或其他方法将这些状况指标与已确定的故障状况标记进行比较机器学习技术。您还可以使用条件指示器作为输入剩余使用寿命(RUL)估计模型训练预测算法。RUL模型使用基于相似性、基于趋势或基于生存的方法,这取决于可用数据的类型。最终的结果是一个预测算法,可以分类和预测下一个故障事件,并提供该预测的置信限。
一旦验证,预测算法可以在IT环境(如服务器或云)中运行。或者,可以直接在设备上的嵌入式系统中实现预测算法,从而加快响应速度,显著减少通过网络发送的数据量。
有关更多信息,请参见预见性维护工具箱™,统计和机器学习工具箱™,深度学习工具箱™.