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:

Detección de fallos y cálculo de la vida útil restante (RUL)
Diseño de indicadores de condición
Ejemplos de referencia para el desarrollo de algoritmos
Gestión de datos
Despliegue en un dispositivo edge y en la nube

¿Qué es Predictive Maintenance Toolbox?

Reducción del tiempo de inactividad y los costes operativos: Resultados más rápidos con los servicios de consultoría de MathWorks

Más información

Detección de fallos y cálculo de la vida útil restante (RUL)

Detecte anomalías, diagnostique la causa raíz de los fallos y calcule la RUL con Machine Learning y modelos de series temporales.

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 cambios abruptos en un sistema mediante modelos recursivos

Estrategias de diagramas de control para la detección de fallos

Estrategias de detección de puntos de cambio para la detección de fallos

Detección de anomalías en maquinaria industrial con datos de vibración

Detección de anomalías mediante picos espectrales extraídos de modelos de espacio de estados basados en datos.

Detección de fallos mediante modelos basados en datos.

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 de similitud para datos de funcionamiento hasta el fallo

Modelos de degradación para umbrales críticos de seguridad

Modelos de supervivencia para datos de vida útil

Cálculo de RUL mediante una red neuronal convolucional

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.

Métodos de diagnóstico de fallos mediante Machine Learning, ajuste de distribuciones y modelos dinámicos

Modelos de clasificación con Machine Learning

Diagrama de dispersión que muestra las predicciones correctas e incorrectas realizadas por el modelo de clasificación entrenado.

Diagnóstico de fallos con la app Classification Learner.

Diseño de indicadores de condición

Extraiga características a partir de datos de sensores mediante estrategias basadas en señales y basadas en modelos. Utilice las características extraídas como valores de entrada para algoritmos de diagnóstico y Machine Learning.

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.

App Diagnostic Feature Designer

Extracción de características con la app Diagnostic Feature Designer

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.

Visión general de los indicadores de condición basados en señales

Visión general de los métodos de preprocesamiento de datos

Métodos de preprocesamiento de tiempo-frecuencia para analizar y detectar condiciones transitorias

Curtosis espectral que varía con el tiempo y la frecuencia para datos de vibración medidos en un rodamiento.

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.

Visión general de los indicadores de condición basados en modelos

Diagnóstico de fallos de una bomba centrífuga mediante el análisis residual

Modelos autorregresivos de décimo orden ajustados a datos de vibración de sistemas dañados y no dañados.

Indicador de condición autorregresivo basado en modelos.

Despliegue en un dispositivo edge y en la nube

Despliegue algoritmos de supervisión de condiciones y mantenimiento predictivo en dispositivos edge o aplicaciones de producción en la nube

Despliegue en un dispositivo edge

Utilice MATLAB Coder™ a fin de generar código C/C++ para modelos RUL y cálculos de características.

Generación de código para predecir la RUL

Despliegue de algoritmos de mantenimiento predictivo en un dispositivo edge y en la nube

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.

Uso de MATLAB en la nube

Despliegue de algoritmos de mantenimiento predictivo en un dispositivo edge y en la nube (17:49)

Despliegue de algoritmos de mantenimiento predictivo

Componentes de un sistema de mantenimiento predictivo desplegado

Ejemplos de referencia para el desarrollo de algoritmos

Desarrolle algoritmos de supervisión de condiciones y mantenimiento predictivo para baterías, cajas de velocidades, bombas centrífugas y otras máquinas.

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.

Diagnóstico de fallos en el rodamiento de una bomba de aceite

Generación de datos de fallos para un sistema de transmisión

Cálculo de RUL del rodamiento de un aerogenerador

Extracción de características espectrales de los datos de un tren de engranajes

Gráfica alfa-lambda para calcular la RUL del rodamiento de un aerogenerador.

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.

Detección de fallos en un motor de CC mediante filtros de Kalman

Clasificación de fallos en una bomba centrífuga reciprocante

Cálculo de la degradación de una batería mediante filtros de Kalman

Predicción de la vida útil de una batería a partir de sus datos de funcionamiento iniciales

Modelo de Simulink y Simscape de una bomba centrífuga reciprocante triple.

Clasificación de fallos en una bomba centrífuga triple.

Gestión de datos

Acceda a los datos dondequiera que estén. Genere datos de simulación desde modelos de Simulink para representar fallos de máquinas en ausencia de datos de sensores reales.

Importación y organización de datos

Importe datos desde archivos locales, Amazon S3™, Windows Azure^® Blob Storage, Hadoop^® Distributed File System, servidores OPC UA y OSIsoft PI System.

Conjuntos de datos para supervisión de condiciones y mantenimiento predictivo

Gestión de datos almacenados en archivos de texto

Utilización de datos remotos almacenados en la nube

Lectura de datos de servidor OPC UA históricos

Conjunto de datos para gestionar datos de vibración de un rodamiento.

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.

Uso de simulationEnsembleDatastore

Generación de datos de fallos desde un modelo de Simulink de una cubierta de transmisión