开始使用预测维修工具箱
设计和测试状态监测和预测维护算法
预见性维护工具箱™允许您管理传感器数据,设计条件指标,估算剩余寿命(原则)的一台机器。
工具箱提供了探索函数和一个交互式应用程序,提取,使用基于数据和基于模型的技术和排名功能,包括统计、光谱和时间序列分析。您可以监视电池的健康,发动机,变速箱,和其他机器从传感器数据进行特征提取。估计机器故障,您可以使用生存,相似性和基础模型来预测原则。
你可以组织和分析传感器数据从本地文件导入,云存储,分布式文件系统。你可以从仿真软件模拟故障数据生成的标签金宝app®模型。工具箱包括参考例子马达,齿轮箱,电池、水泵、轴承、和其他机器可以重用开发定制的预见性维护和状态监测算法。
实施你的算法,可以生成C / c++代码部署到边缘或创建一个生产应用程序部署到云上。
教程
- 步骤1:导入和可视化设计师整体数据的诊断功能
- 步骤2:处理数据和探索功能诊断功能设计
- 步骤3:等级和导出功能诊断功能设计
本系列教程向您展示了如何使用整体数据和提取和等级特性诊断功能设计。
对状态监测和预测维护
- 设计算法状态监测和预测维护
预见性维护工具箱可帮助您识别条件指标数据和设计算法监测系统条件和预测剩余寿命。
视频
预见性维护第1部分:介绍
了解不同的维修策略和预见性维护工作流程。预见性维护可以让你找到最优的时间安排维修,估计时间失败。
预见性维护第2部分:特征提取识别条件指标
学习如何从数据中提取条件指标。条件指标帮助你区分健康和故障状态的机器。
预见性维护第3部分:剩余使用寿命的评估
预见性维护可以估计的剩余使用寿命(原则)的机器。探讨三种常见的模型来估计原则:相似,生存和退化
预见性维护第4部分:如何使用诊断功能设计特征提取
学习如何提取时域和频谱特性使用诊断功能设计开发预测维护算法。