通过监测来自机器的传感器数据来预测故障事件何时发生,预判算法允许您避免设备故障。根据这些预测,调整维护计划。这些预测算法提供了常规预防性维护程序的替代方案,在常规预防性维护程序中,维护计划由规定的时间轴确定。
预诊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
- 只有在必要时才安排设备服务,以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,使设备更快地恢复联机
预测算法对于预测维护程序的成功至关重要。温度、压力、电压、噪声或振动测量数据都是通过传感器采集的。这些数据使用各种统计和处理信号处理提取特性的技术称为条件指标.要监控设备的运行状况,您可以使用数据聚类和分类或其他将这些条件指标与已建立的故障条件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。所使用的RUL模型——基于相似性、基于趋势或基于生存——取决于可用数据的类型。最终的结果是一个预测算法,它可以对下一个故障事件进行分类和预测,并为该预测提供置信限。
一旦经过验证,可以在IT环境中在诸如服务器或云的IT环境中运行预后算法。或者,可以直接在设备上的嵌入式系统中实现预后算法,从而实现更快的响应时间,并显着减少通过网络发送的数据量。
有关其他信息,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™.