预测性维护工具箱™可以让你的标签数据,设计条件指标,并估计机器的剩余使用寿命(RUL)。
该工具箱提供的功能和探索,提取和使用排名特征的交互式应用程序的数据和基于模型的技术,包括统计,光谱,以及时间序列分析。您可以通过使用频域和时频分析方法振动数据中提取特征监测旋转机器,如轴承和齿轮箱的健康。为了估计机器的故障时间,您可以用生存,相似性,基于趋势的模型来预测RUL。
您可以分析,并从本地文件,云存储和分布式文件系统标签传感器数据的输入。您也可以从标签产生的Simulink仿真故障数据金宝app®楷模。该工具箱包括用于电机,齿轮箱,电池,并且可以用于开发自定义预测性维护和状态监测算法被重复使用的其它机器的参考例子。
这三部分教程介绍了如何在诊断功能设计集成数据和提取和排名功能的工作。
预测性维护工具箱可以帮助你确定条件指标在我们的数据和算法设计用于监视系统状态和预测剩余使用寿命。
预测性维护第1部分:前言
了解不同的维护策略和预测性维护工作流程。预测性维护,您可以通过估计故障时间找到最佳的时间来安排维护。
预测性维护第2部分:特征提取识别状况指示器
了解如何提取条件指标从您的数据。状况指示器帮助您一台机器的健康和故障状态进行区分。
预测性维护第3部分:剩余使用寿命估计
预测性维护可以让你估计你的机器的剩余使用寿命(RUL)。探索三种常见的模型来估计RUL:相似性,生存和降解
预测性维护第4部分:如何使用诊断功能设计特征提取
了解如何使用提取的诊断功能设计时域和光谱特征,用于开发预测性维护算法。