开始预测性维护工具箱

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™允许您管理传感器数据、设计状态指示器并估计机器的剩余使用寿命(RUL)。

该工具箱提供了一些函数和一个交互式应用程序，用于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)探索、提取和排名特征。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。要估计机器到故障的时间，可以使用生存期、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整理和分析。您可以标记从Simulink生成的模拟故障数据金宝app^®模型。该工具箱包括电机、变速箱、电池和其他机器的参考示例，这些机器可以重复用于开发定制的预测性维护和状态监测算法。

要操作算法，可以生成用于部署到边缘的C/ c++代码，或者创建用于部署到云的生产应用程序。

教程

本教程由三部分组成，向您展示如何在诊断特征设计器中使用集成数据和提取特征并对特征进行排序。

预测性维护第1部分:介绍
了解不同的维护策略和预测性维护流程。预测性维护使您可以通过估计故障发生的时间来找到安排维护的最佳时间。

预测性维护第2部分:识别状态指示器的特征提取
了解如何从数据中提取条件指示符。状态指示器帮助您区分机器的健康状态和故障状态。

预测性维护第三部分:剩余使用寿命估计
预测性维护可让您估计机器的剩余使用寿命(RUL)。探索估计RUL的三个常用模型:相似性、存活和退化

预测性维护第4部分:如何使用诊断特征设计器进行特征提取
了解如何使用诊断特征设计器提取时域和光谱特征，以开发预测性维护算法。