Los ingenieros emplean MATLAB®, Simulink® y Predictive Maintenance Toolbox™ para desarrollar y desplegar software de supervisión de condiciones y mantenimiento predictivo para sistemas empresariales de TI y TO.
- Acceda a datos archivados y de streaming mediante las interfaces integradas para almacenamiento en la nube, bases de datos relacionales y no relacionales, y protocolos tales como REST, MQTT y OPC UA.
- Preprocese los datos y extraiga sus características para supervisar el estado de los equipos mediante apps de procesamiento de señales y técnicas estadísticas.
- Desarrolle modelos de Machine Learning para aislar la causa raíz de los fallos, y predecir el tiempo hasta el fallo y la vida útil restante (RUL).
- Despliegue algoritmos y modelos en los sistemas en funcionamiento de su elección, tales como sistemas embebidos, dispositivos edge y la nube, mediante la generación automática de componentes de software basados en C/C++, Python, HDL, PLC, GPU, .NET o Java®.
Uso de MATLAB y Simulink para mantenimiento predictivo
Diseñe y pruebe algoritmos de supervisión de condiciones y mantenimiento predictivo.
Aprenda cómo obtener suficientes datos y datos de fallos, predecir fallos y crear un algoritmo de mantenimiento predictivo.
El mantenimiento predictivo permite estimar el mejor momento para realizar mantenimiento, ya que puede predecir el tiempo hasta el fallo de una máquina. Esta serie de vídeos describe el flujo de trabajo para desarrollar un algoritmo de mantenimiento predictivo. Los vídeos utilizan ejemplos de una bomba triple y un motor de aeronave para demostrar los pasos del flujo de trabajo de extracción de características y estimación de la vida útil restante.
Acceda a datos dondequiera que estén
Los datos procedentes de equipos pueden estar estructurados o no, y pueden encontrarse en diversas fuentes, tales como archivos locales, servidores de OPC UA, la nube (por ejemplo, AWS® S3 o Azure® Blob), bases de datos e historiadores de datos, como OSIsoft® PI System™. Dondequiera que estén sus datos, podrá acceder a ellos con MATLAB. Si no dispone de suficientes datos de fallos, podrá generarlos a partir de un modelo de Simulink de su maquinaria mediante la inyección de fallos de señal y la modelización de la dinámica de fallo del sistema.
Más información
Explorar productos
Depure y explore datos para simplificarlos
Sus datos pueden estar desorganizados. Con MATLAB, puede preprocesarlos, reducir su dimensionalidad y manipular sus características.
- Realice alineación de datos muestreados a diferentes velocidades y tenga en cuenta los valores ausentes y atípicos.
- Elimine el ruido, filtre los datos y analice las señales transitorias o variables mediante técnicas avanzadas de procesamiento de señales.
- Simplifique los conjuntos de datos y reduzca el sobreajuste de los modelos predictivos con métodos estadísticos y dinámicos para la extracción y la selección de características.
Más información
- Exploración y organización de datos con marcas de tiempo en MATLAB
- Preprocesamiento de datos para la supervisión de condiciones
- Análisis de vibración en los dominios de la frecuencia y del tiempo-frecuencia
- Extracción de características basadas en modelos y señales para la supervisión de condiciones
- Depuración de datos
Explorar productos
Detección y predicción de fallos con Machine Learning
Identifique la causa raíz de los fallos y realice una predicción del tiempo hasta el fallo mediante técnicas de clasificación, regresión y modelización de series temporales.
- Explore y seleccione de forma interactiva las variables más importantes para calcular la vida útil restante o clasificar los modos de fallo.
- Entrene, compare y valide diversos modelos predictivos con funciones integradas.
- Calcule y visualice los intervalos de confianza para cuantificar la incertidumbre en las predicciones.
Más información
- Modelos de decisión para la detección y el diagnóstico de fallos
- Técnicas para predecir la vida útil restante (RUL)
- Machine Learning: selección y clasificación de características (4:01)
- 3 formas de estimar la vida útil restante: mantenimiento predictivo con MATLAB
- Gemelos digitales para mantenimiento predictivo
Explorar productos
Despliegue algoritmos en sistemas de producción
Reduzca los tiempos de respuesta, transmita menos datos y ponga los resultados a disposición de los operadores en el área de producción de forma inmediata implementando algoritmos de MATLAB en dispositivos embebidos y en sistemas empresariales de IT/OT.
Más información
- Arquitecturas de referencia para la integración en la nube de AWS y Azure con MATLAB
- Generación de código para sistemas embebidos
- Despliegue de aplicaciones en Web
- Internet of Things con MATLAB y Simulink
- Aprendizaje federado con modelos físicos: flujo de trabajo de extremo a extremo (32:29)
- Despliegue de modelos predictivos entrenados en plataformas de hardware
30 días de exploración a su alcance
Más información
Introducción al mantenimiento predictivo con MATLAB
Lea el e-book
You can also select a web site from the following list:
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)
Asia Pacific
- Australia (English)
- India (English)
- New Zealand (English)
- 中国
- 日本Japanese (日本語)
- 한국Korean (한국어)