MathWorks añade un nuevo producto de mantenimiento predictivo para MATLAB

MathWorks ha anunciado hoy Predictive Maintenance Toolbox, un nuevo producto de MATLAB que ayuda a los ingenieros a diseñar y probar algoritmos de supervisión de condiciones y mantenimiento predictivo. Predictive Maintenance Toolbox ofrece capacidades y ejemplos de referencia para que los ingenieros que diseñan algoritmos puedan organizar los datos, diseñar los indicadores de condición, supervisar el estado de los equipos y calcular la vida útil restante (RUL) para evitar fallos en el equipamiento.

Con Predictive Maintenance Toolbox, los ingenieros pueden analizar y etiquetar los datos de sensores importados desde archivos almacenados de manera local o en la nube. También pueden etiquetar datos de fallos simulados generados a partir de modelos de Simulink para representar los fallos del equipamiento. El procesamiento de señales y los métodos de modelado dinámico que sacan partido de técnicas tales como el análisis espectral y el análisis de series temporales permiten a los ingenieros procesar previamente los datos y extraer características que se pueden emplear para supervisar el estado del equipo. El uso de modelos de supervivencia, similitud y basados en tendencias para predecir la RUL ayuda a los ingenieros a calcular el tiempo hasta que se produzca un fallo en el equipo. Esta toolbox incluye ejemplos de referencia para motores, cajas de velocidades, baterías y otras máquinas que se pueden reutilizar para desarrollar algoritmos de mantenimiento predictivo y supervisión de condiciones personalizados.

Ahora, los ingenieros pueden desarrollar y validar los algoritmos necesarios para predecir cuándo podría producirse un fallo en el equipamiento o para detectar cualquier anomalía subyacente mediante la supervisión de datos de sensores. Estos algoritmos se desarrollan mediante el acceso a datos históricos almacenados en archivos locales, en sistemas de almacenamiento en la nube, como Amazon S3 y Windows Azure Blob Storage, o en un sistema de archivos distribuido Hadoop. Los datos de simulación procedentes de modelos físicos del equipamiento que incorporan la dinámica de fallos son otra fuente de datos. Los ingenieros pueden extraer y seleccionar las características más apropiadas de estos datos y, a continuación, utilizar apps interactivas para entrenar modelos de machine learning con estas características a fin de predecir o detectar fallos en el equipamiento.

“El mantenimiento predictivo es una aplicación clave del Internet de las cosas (IoT) industrial. Esto es crucial para reducir los costes de mantenimiento innecesarios y eliminar el tiempo de inactividad no planificado. A los ingenieros, que normalmente no tienen conocimientos sobre machine learning o procesamiento de señales, les resulta especialmente difícil diseñar algoritmos para el mantenimiento predictivo”, según afirma Paul Pilotte, director de marketing técnico de MathWorks. “Ahora, estos equipos pueden avanzar rápidamente gracias al uso de Predictive Maintenance Toolbox como punto de partida para aprender a diseñar y probar estos algoritmos.”

Puede obtener más información sobre cómo utilizan MATLAB los equipos de ingeniería para reducir el tiempo de inactividad del equipamiento mediante la predicción de los fallos, la determinación automática de la causa raíz del fallo y la elusión de los costes de mantenimiento innecesarios en MATLAB y Simulink para el mantenimiento predictivo.