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, así como 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
Serie de vídeos sobre mantenimiento predictivo
Aprenda mantenimiento predictivo con esta serie de vídeos.
