×

登录 是一种态度

logo
手机
访问
公众
账号
󰀳 返回
顶部

MathWorks 为 MATLAB 添加新的预测性维护产品

核心提示:MathWorks 推出用于设计并测试状态监测和预测性维护算法的新工具箱,帮助工程师设计并测试状态监测和预测性维护算法。为算法工程师提供了一系列功能和参考范例,用来组织数据、设计状态指标、监测机器运行状况和预估剩余使用寿命 (RUL),从而避免设备故障。

MathWorks 近日宣布推出新的 MATLAB 产品 Predictive Maintenance Toolbox,帮助工程师设计并测试状态监测和预测性维护算法。Predictive Maintenance Toolbox 为算法工程师提供了一系列功能和参考范例,用来组织数据、设计状态指标、监测机器运行状况和预估剩余使用寿命 (RUL),从而避免设备故障。

借助 Predictive Maintenance Toolbox,工程师能分析和标注从存储于本地或云端的文件中导入的传感器数据。他们还能标注从 Simulink 模型生成的仿真故障数据以表征设备故障。利用在频谱分析和时序分析等技术所构建的信号处理和动态建模方法,工程师能够预处理数据并提取可用来监测机器状态的特征。使用生存分析、相似性分析和基于趋势的模型来预测 RUL,可帮助工程师预估机器发生故障的时间。该工具箱包括发动机、变速箱、电池和其他机器的参考范例,可以复用以开发自定义的预测性维护和状态监测算法。

现在,工程师开发和验证必要的算法,通过监测传感器数据,以预测设备何时可能发生故障,或检测任何潜在的异常现象。这些算法可以通过访问存储在本地文件系统、云存储系统(如 Amazon S3 和 Windows Azure Blob 存储)或 Hadoop 分布式文件系统上的历史数据,得以开发。另一个数据源是来自包含故障动态的设备物理模型的仿真数据。工程师可以从此数据中提取和选择最合适的特征,然后借助交互式应用程序,用这些特征训练机器学习模型,以预测或检测设备故障。

“预测性维护是工业物联网的一个重要应用。它对于减少不必要的维护成本和消除计划外停机十分关键。那些通常没有机器学习或信号处理背景的工程师会发现,设计预测性维护的算法特别具有挑战性。” MathWorks 公司技术市场经理 Paul Pilotte 说,“现在,通过使用 Predictive Maintenance Toolbox 学习如何设计和测试这些算法作为起点,这些团队能够快速上手并提高。”

图示:Predictive Maintenance Toolbox 能帮助训练预测模型来预估剩余使用寿命 (RUL) 并提供与预测相关联的置信区间。

0