预测维护工具箱
设计和测试状态监测和预测维护算法
预测性维护工具箱™允许您管理传感器数据，设计条件指标，并估计机器的剩余使用寿命(RUL)。
工具箱提供了一些功能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)来探索、提取和排序特征。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。要估计机器发生故障的时间，可以使用生存、相似性和基于趋势的模型来预测RUL。
您可以组织和分析从本地文件，云存储和分布式文件系统导入的传感器数据。您可以标记从Simulink生成的模拟故障数据金宝app®楷模。工具箱包括电机，齿轮箱，电池和其他机器的参考示例，可以重复使用用于开发自定义预测性维护和状态监测算法。
要操作算法，您可以生成C / C ++代码以部署到边沿或创建用于部署到云的生产应用程序。
开始：
荷重软化评估模型
估计机器的RUL，以帮助您预测它是故障并优化维护计划的时间。这RUL估计算法的类型使用取决于从数据中提取的条件指示，以及可用的数据。
RUL模型的相似性、退化性和生存性。
使用分类模型进行故障诊断
通过使用支持向量机、k-means聚类和其他机器学习技术来训练分类和聚类模型，从而找出故障的根本原因。金宝app
使用Classification Learner应用进行故障诊断。
使用基于数据的模型进行故障检测。
诊断功能设计器应用程序
提取、可视化和排序特征，以设计监视机器健康状况的条件指示器。从应用程序生成MATLAB代码自动化整个过程。
ieee条件指标
利用雨流程计数，光谱峰值检测，光谱峰值等时间，频率和时频域技术提取原始或预处理传感器数据的特征。使用Live Editor任务以交互式执行相位空间重建并提取非线性信号功能。
基于时间频率的条件指示灯。
自动评级模型的条件指示灯。
风力涡轮机轴承的RUL估计。
泵，电机和电池
开发检测泵泄漏和堵塞的算法，跟踪电机摩擦的变化，并估计电池退化的时间。
Triplex泵中的故障分类。
数据导入和组织
从本地文件导入数据，Amazon S3™，Windows Azure®Blob存储和Hadoop®分布式文件系统。
使用数据集合管理多个文件。
从Simulink和Simscape生成故障数据金宝app
使用机器的Simulink和Simscape™模型模拟和标记故障数据。金宝app修改参数值、注入故障和更改模型动态。
使用模拟数据集成管理数据。
将预测维护算法部署到PLC
云部署
用Matlab Compiler™和MATLAB编译器SDK™部署预测维护算法如C/ c++共享库，web应用程序，Docker容器，微软®.NET装配，Java®Python类,®包裹。部署生成的库MATLAB生产服务器™在微软®Azure.®, AWS®，或专用的可在不重新编码或创建自定义基础架构的上限服务器。
部署预测维护系统的组件
预测性维修系列视频
观看本系列中的视频以了解预测性维护。
