Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

Predictive Maintenance Toolbox시작하기

상태 모니터링과 예측 정비 알고리즘 설계 및 테스트

Predictive Maintenance Toolbox™를 사용하면 센서 데이터를 관리하고, 상태 지표를 설계하고, 기계의 잔여 수명(RUL)을 추정할 수 있습니다.

이 툴박스는 통계, 스펙트럼 및 시계열 분석을 비롯한 데이터 기반 기법 및 모델 기반 기법을 사용하여 특징을 탐색, 추출하고 특징에 순위를 지정할 수 있는 함수와 대화형 앱을 제공합니다. 주파수 방법과 시간-주파수 방법을 사용해 진동 데이터에서 특징을 추출하여 회전 기계의 건전성을 모니터링할 수 있습니다. 기계의 고장 수명(time to failure)을 추정하기 위해 생존 모델, 유사성 모델, 추세 기반 모델을 사용하여 RUL을 예측할 수 있습니다.

로컬 파일, 클라우드 저장소 및 분산 파일 시스템에서 가져온 센서 데이터를 구성하고 분석할 수 있습니다. Simulink®모델에서 생성된 시뮬레이션된 고장 데이터에 레이블을 지정할 수 있습니다. 이 툴박스에는 모터, 기어박스, 배터리 및 기타 기계에 대한 참조 예제가 포함되어 있으며, 이 참조 예제는 사용자 지정 예측 정비 및 상태 모니터링 알고리즘을 개발하는 데 재사용할 수 있습니다.

알고리즘을운용할수있도록하기위해에지에배포할C / c++코드를생성하거나클라우드에 배포할 프로덕션 응용 프로그램을 만들 수 있습니다.

튜토리얼

상태 모니터링 및 예측 정비 소개

비디오

예측 정비 1부: 소개
여러 정비 전략 및 예측 정비 워크플로에 대해 알아봅니다. 예측 정비를 통해 고장 수명(time to failure)을 추정하여 유지관리 일정을 예약할 최적의 시간을 구할 수 있습니다.

예측 정비 2부: 상태 지표 식별을 위한 특징 추출
데이터에서 상태 지표를 추출하는 방법을 알아봅니다. 상태 지표를 사용하면 기계의 정상 상태와 결함 상태를 구분할 수 있습니다.

예측 정비 3부: 잔여 수명 추정
예측 정비를 통해 기계의 잔여 수명(RUL)을 추정할 수 있습니다. RUL을 추정하는 세 가지 일반적인 모델(유사성, 생존, 성능 저하) 살펴보기

예측 정비 4부: 특징 추출을 위해 진단 특징 디자이너를 사용하는 방법
예측 정비 알고리즘의 개발을 위해 진단 특징 디자이너를 사용하여 시간 영역 및 스펙트럼 특징을 추출하는 방법을 알아봅니다.