Predictive Maintenance Toolbox
Diseño y prueba de algoritmos de supervisión de condiciones y mantenimiento predictivo
Predictive Maintenance Toolbox™ permite etiquetar datos, diseñar indicadores de condición y calcular 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. Cabe la posibilidad de supervisar el estado de los equipos rotatorios, tales como rodamientos y cajas de cambios, mediante la extracción de características a partir de datos de vibración utilizando métodos de frecuencia y tiempofrecuencia. Puede utilizar modelos de supervivencia, similitud y basados en tendencias para predecir la RUL a fin de calcular el tiempo hasta que se produzca un fallo en una máquina.
Es posible analizar y etiquetar los datos de sensores importados desde archivos locales, almacenamiento en la nube y sistemas de archivos distribuidos. También se pueden etiquetar 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 a fin de desarrollar algoritmos de mantenimiento predictivo y supervisión de condiciones personalizados.
Detección de fallos y cálculo de la vida útil restante (RUL)
Detecte anomalías, diagnostique la causa raíz de los fallos y calcule la RUL mediante machine learning y modelos de series temporales.
Modelos de cálculo de RUL
Calcule la RUL de una máquina para facilitar la predicción del tiempo hasta el fallo y optimice la planificación del mantenimiento. El tipo de algoritmo de cálculo de RUL empleado depende de los indicadores de condición extraídos de los datos, así como de la cantidad de datos disponibles.
Modelos RUL de similitud, degradación y supervivencia.
Diagnóstico de fallos mediante modelos de clasifcación
Aísle la causa raíz de un fallo mediante el entrenamiento de modelos de clasificación y clustering mediante máquinas de vector soporte, clustering k-means y otras técnicas de machine learning.
Diagnóstico de fallos mediante la app Classification Learner.
Detección de fallos y anomalías
Rastree los cambios en el sistema a fin de 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.
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 entradas para algoritmos de diagnóstico y machine learning.
App Diagnostic Feature Designer
Extraiga, visualice y clasifique características a fin de diseñar indicadores de condición para supervisar el estado de las máquinas.
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.
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.
Ejemplos de referencia para el desarrollo de algoritmos
Desarrolle algoritmos de supervisión de condiciones y mantenimiento predictivo para baterías, cajas de velocidades, bombas 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.
Cálculo de la RUL del rodamiento de un aerogenerador.
Bombas, motores y baterías
Desarrolle algoritmos para detectar fugas y obstrucciones en bombas, 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 triple.
Administración y etiquetado 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.
Organización y etiquetado de datos
Importe y etiquete datos de archivos locales, Amazon S3™, Windows Azure® Blob Storage y Hadoop® Distributed File System.
Gestión de varios archivos mediante el uso de un conjunto de datos.
Generación de datos de fallos desde Simulink y Simscape
Simule datos de fallos mediante 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.
Funcionalidades más recientes
Diganostic Feature Designer
Extraiga, visualice y clasifique de forma interactiva características a partir de datos medidos o simulados para llevar a cabo diagnósticos y pronósticos de máquinas.
Métricas de condición de engranajes
Extraiga indicadores de condición de engranajes estándar a partir del promedio sincrónico temporal de las señales.
Consulte las notas de la versión para saber los detalles sobre estas características y las funciones correspondientes.
