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
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