如果活动现场的卡车出现泵故障，贝克休斯必须立即更换卡车，以确保连续运行。向每个站点发送备用卡车将花费公司数千万美元的收入，如果这些卡车在另一个站点上处于活动使用状态，则可以产生这些收入。无法准确预测阀门和泵何时需要维修是其他成本的基础。过于频繁的维护会浪费精力，导致零件在仍然可用的情况下被更换，而过于频繁的维护则有损坏无法维修的泵的风险。

贝克休斯公司的工程师们希望开发一种系统，能够确定机器何时会出现故障，何时需要维修。为了开发这个系统，研究小组需要处理和分析以每秒50000个样本的速度从安装在10辆卡车上的传感器收集到的高达1万亿字节的数据。从这个庞大的数据集中，他们需要确定在预测故障时有用的参数。

贝克休斯公司的工程师利用MATLAB开发了泵健康监测软件，该软件使用数据分析进行预测性维护。

它们导入在现场收集从温度，压力，振动，和其它传感器到MATLAB数据。与MathWorks的技术支持工程师的工作团队开发自定义脚本读取和金宝app分析存储在二进制文件的专有格式的传感器数据。

在MATLAB工作，贝克休斯团队分析导入的数据，以确定哪些数据信号对设备的磨损影响力最强。这个步骤包括执行傅立叶变换和频谱分析以及滤除卡车，泵的大的运动，并且流体能够更好地检测阀和阀座的较小的振动。

为了自动处理近1万亿字节的收集数据，团队编写了他们在一夜之间执行的MATLAB脚本。

工程师们发现，从压力、振动和正时传感器获取的数据对于预测机器故障最为相关。

与The MathWorks支持工程师合作，团队评估使金宝app用统计和机器学习工具箱™和深度学习工具箱™几种机器学习技术。这一初步评估结果表明，神经网络产生的最准确的结果。该组创建和训练使用传感器数据来预测的泵故障神经网络。他们使用从没有被用于构建模型领域的其他数据证实了这一模型。

现场试验证实了泵健康监测系统对泵故障的预测能力。

• 预计将节省1 000多万美元。“在一个单一的一年，我们可以花的收入的显著量只是在内部泵部件，如阀门，阀座，柱塞和密封件的维修和更换，”在贝克休斯公司的高级产品经理托马斯·耶格说。“我们估计，我们在MATLAB开发的软件将减少30-40％ - 和除我们将从省去了额外的卡车在现场看到需要节约总体成本是的。”
• 开发时间缩短了10倍。“MATLAB使我们能够执行我们所期望的分析和处理，包括机器学习，”辛格说。“有了一个低级语言，你不能总是找到您所需要的库和周分配的时间内完成项目。如果我们使用低级语言库用于所有大小的内置我们需要MATLAB功能，它可能会采取订单更长的时间来完成这个项目，我们自己写的代码“。
• 多种类型的数据易于访问。“MATLAB使它容易多种类的数据组合成一个分析应用，”辛格说。“我们甚至能够从一个专有的文件格式使用的传感器数据。”