Predictive Maintenance Toolbox
Diseñe y pruebe algoritmos de supervisión de condiciones y mantenimiento predictivo
Predictive Maintenance Toolbox™ permite gestionar datos de sensores, diseñar indicadores de condición y estimar la vida útil restante (RUL) de una máquina.
Esta toolbox proporciona funciones y una app interactiva para explorar, extraer y clasificar características mediante técnicas basadas en datos y en modelos, incluidos análisis estadísticos, espectrales y de series temporales. Puede supervisar el estado de las máquinas rotatorias extrayendo características a partir de los datos de vibración mediante métodos de frecuencia y tiempo-frecuencia. Puede utilizar modelos de supervivencia, similitud y basados en tendencias para predecir la RUL y calcular el tiempo hasta que se produzca un fallo en una máquina.
Puede organizar y analizar los datos de sensores importados desde archivos locales, almacenamiento en la nube y sistemas de archivos distribuidos. También puede etiquetar los datos de fallos simulados generados a partir de modelos de Simulink®. Esta toolbox incluye ejemplos de referencia para motores, cajas de cambios, baterías y otras máquinas que se pueden reutilizar para desarrollar algoritmos de mantenimiento predictivo y supervisión de condiciones personalizados.
Para poner en práctica los algoritmos, puede generar código C/C++ y desplegarlo en un dispositivo edge o crear una aplicación de producción y desplegarla en la nube.
Más información:
Modelos de cálculo de RUL
Calcule la RUL de una máquina para facilitar la predicción del tiempo hasta el fallo y optimizar la planificación del mantenimiento. El tipo de algoritmo de cálculo de RUL empleado depende de los indicadores de condición extraídos de los datos y de la cantidad de datos disponibles.
Modelos RUL de similitud, degradación y supervivencia.
Diagnóstico de fallos mediante modelos de clasificación
Aísle la causa raíz de un fallo mediante el entrenamiento de modelos de clasificación y clustering con máquinas de vector soporte, clustering de K-means y otras técnicas de Machine Learning.
Diagnóstico de fallos con la app Classification Learner.
Detección de fallos y anomalías
Rastree los cambios en el sistema para determinar la presencia de anomalías y fallos mediante la detección de puntos de cambio, filtros de Kalman y diagramas de control.
Detección de fallos mediante modelos basados en datos.
App Diagnostic Feature Designer
Extraiga, visualice y clasifique características para diseñar indicadores de condición y supervisar el estado de las máquinas. Genere código de MATLAB desde la app para automatizar todo el proceso.
Indicadores de condición basados en señales
Extraiga características a partir de datos de sensores preprocesados o sin procesar mediante recuento de flujo de lluvia, detección de picos espectrales, curtosis espectral y otras técnicas relacionadas con los dominios de tiempo, frecuencia y tiempo-frecuencia. Utilice tareas de Live Editor para efectuar una reconstrucción de espacio fásico interactiva y extraer características de señales no lineales.
Indicador de condición basado en tiempo-frecuencia.
Indicadores de condición basados en modelos
Ajuste modelos de series temporales lineales y no lineales, modelos de espacio de estados y modelos de función de transferencia a datos de sensores. Utilice las propiedades y las características de estos modelos ajustados como indicadores de condición.
Indicador de condición autorregresivo basado en modelos.
Rodamientos y cajas de velocidades
Desarrolle algoritmos para clasificar fallos de anillo interno y externo, detectar fallos en dientes de engranajes y calcular la RUL.
Cálculo de la RUL del rodamiento de un aerogenerador.
Bombas centrífugas, motores y baterías
Desarrolle algoritmos para detectar fugas y obstrucciones en bombas centrífugas, rastrear cambios en la fricción de motores y calcular la degradación de las baterías a lo largo del tiempo.
Clasificación de fallos en una bomba centrífuga triple.
Importación y organización de datos
Importe datos de archivos locales, Amazon S3™, Windows Azure® Blob Storage y Hadoop® Distributed File System.
Gestión de varios archivos mediante un conjunto de datos.
Generación de datos de fallos desde Simulink y Simscape
Simule y etiquete datos de fallos con modelos de Simulink y Simscape™ de su máquina. Modifique los valores de los parámetros, inyecte fallos y cambie la dinámica del modelo.
Gestión de datos mediante conjuntos de datos de simulación.
Despliegue en un dispositivo edge
Utilice MATLAB Coder™ a fin de generar código C/C++ para modelos RUL y cálculos de características.
Despliegue de algoritmos de mantenimiento predictivo en PLC
Despliegue en la nube
Utilice MATLAB Compiler™ y MATLAB Compiler SDK™ para desplegar algoritmos de mantenimiento predictivo en forma de librerías C/C++ compartidas, apps web, contenedores Docker, ensamblados Microsoft® .NET, clases de Java® y paquetes de Python®. Despliegue las librerías generadas en MATLAB Production Server™ en Microsoft® Azure®, AWS® o servidores locales dedicados sin necesidad de volver a codificar ni crear una infraestructura personalizada.
Componentes de un sistema de mantenimiento predictivo desplegado
Recursos del producto:
Serie de vídeos sobre mantenimiento predictivo
Aprenda mantenimiento predictivo con esta serie de vídeos.
