主要内容

预测性维护工具箱

设计和测试状态监测和预测性维护算法

Predictive Maintenance Toolbox™提供用于设计状态监测和电机、变速箱、轴承、电池和其他应用程序。工具箱允许您设计条件指示器,检测故障和异常,并估计剩余使用寿命(RUL)。

使用Diagnostic Feature Designer应用程序,您可以交互式提取时间,频率、时间频率和基于物理的功能。您可以对开发特定于应用程序的故障和异常检测算法的功能。要估计RUL,可以使用生存率、相似性和基于趋势的模型。

工具箱帮助您组织和分析从本地文件导入的传感器数据,云存储和分布式文件系统。您可以生成模拟故障数据来自Simulink®和Simscape™模型。

要操作您的算法,您可以为边缘部署或为云部署创建生产应用程序。工具箱包括可以重用的特定于应用程序的参考示例,用于开发和部署自定义预测维护算法。

快速入门

学习预测性维护工具箱的基本知识

应用

将预测性维护方法应用于特定于组件的工作流,例如对于旋转机械或电池系统

管理系统数据

导入测量数据,生成模拟数据,组织数据以用于命令行和应用程序中

预处理数据

清洁并标记数据,为更高级的信号做准备处理

设计条件指标

在命令行或以交互方式浏览数据以识别要素可以指示系统状态或预测未来状态的

检测和诊断故障

培训统计、机器学习和深度学习模型状态监测和异常检测。使用距离和矩阵从机器数据中检测异常的剖析

预测剩余使用寿命(RUL)

使用专门设计用于计算RUL的模型预测RUL系统数据、状态估计器或已识别模型

部署预测性维护算法

实施和部署状态监测和预测性维护算法

预测性维护中的人工智能

将深度学习和机器学习技术应用于预测维护工作流