Predictive Maintenance Toolbox

 

Predictive Maintenance Toolbox

Diseñe y pruebe algoritmos de supervisión de condiciones y mantenimiento predictivo

Más información:

Detección de fallos y cálculo de la vida útil restante (RUL)

Detecte anomalías, diagnostique la causa raíz de los fallos y calcule la RUL con Machine Learning y modelos de series temporales.

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 anomalías mediante picos espectrales extraídos de modelos de espacio de estados basados en datos.

Detección de fallos mediante modelos basados en datos.

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 y de la cantidad de datos disponibles.

Modelos RUL de similitud, degradación y supervivencia.

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.

Diagrama de dispersión que muestra las predicciones correctas e incorrectas realizadas por el modelo de clasificación entrenado.

Diagnóstico de fallos con la app Classification Learner.

Diseño de indicadores de condición

Extraiga características a partir de datos de sensores mediante estrategias basadas en señales y basadas en modelos. Utilice las características extraídas como valores de entrada para algoritmos de diagnóstico y Machine Learning.

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.

Curtosis espectral que varía con el tiempo y la frecuencia para datos de vibración medidos en un rodamiento.

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.

Modelos autorregresivos de décimo orden ajustados a datos de vibración de sistemas dañados y no dañados.

Indicador de condición autorregresivo basado en modelos.

Despliegue en un dispositivo edge y en la nube

Despliegue algoritmos de supervisión de condiciones y mantenimiento predictivo en dispositivos edge o aplicaciones de producción en la nube

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 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

Componentes de un sistema de mantenimiento predictivo desplegado

Ejemplos de referencia para el desarrollo de algoritmos

Desarrolle algoritmos de supervisión de condiciones y mantenimiento predictivo para baterías, cajas de velocidades, bombas centrífugas y otras máquinas.

Gráfica alfa-lambda para calcular la RUL del rodamiento de un aerogenerador.

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.

Modelo de Simulink y Simscape de una bomba centrífuga reciprocante triple.

Clasificación de fallos en una bomba centrífuga triple.

Gestión de datos

Acceda a los datos dondequiera que estén. Genere datos de simulación desde modelos de Simulink para representar fallos de máquinas en ausencia de datos de sensores reales.

Importación y organización de datos

Importe datos de archivos locales, Amazon S3™, Windows Azure® Blob Storage y Hadoop® Distributed File System.

Conjunto de datos para gestionar datos de vibración de un rodamiento.

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.

Conjunto de datos de simulación para gestionar datos de fallos generados a partir de un modelo de Simulink de una cubierta de transmisión.

Gestión de datos mediante conjuntos de datos de simulación.

Serie de vídeos sobre mantenimiento predictivo

Aprenda mantenimiento predictivo con esta serie de vídeos.