Predictive Maintenance Toolbox
Diseñe y pruebe algoritmos de supervisión de condiciones y mantenimiento predictivo
¿Tiene preguntas? Comuníquese con ventas.
Predictive Maintenance Toolbox ofrece apps y funciones para diseñar algoritmos de supervisión de condiciones y mantenimiento predictivo para motores, cajas de engranajes, rodamientos, baterías y otras aplicaciones. Esta toolbox permite diseñar indicadores de condición, detectar fallos y anomalías, y estimar la vida útil restante (RUL).
Con la app Diagnostic Feature Designer, puede extraer de manera interactiva características basadas en tiempo, frecuencia, tiempo-frecuencia y física. Puede clasificar y exportar las características a fin de desarrollar algoritmos específicos de la aplicación para detectar fallos y anomalías. Para estimar la RUL, puede utilizar modelos de supervivencia, similitud y basados en tendencias.
La toolbox ayuda a organizar y analizar datos de sensores importados desde archivos locales, almacenamiento en la nube y sistemas de archivos distribuidos. Puede generar datos de fallos simulados a partir de modelos de Simulink y Simscape.
Para poner en funcionamiento los algoritmos, puede generar código C/C++ para despliegue en edge, o crear aplicaciones de producción para despliegue en la nube. La toolbox incluye ejemplos de referencia específicos de la aplicación que puede reutilizar para desarrollar y desplegar algoritmos de mantenimiento predictivo personalizados.
Detección de anomalías y fallos
Entrene algoritmos estadísticos, de Machine Learning y de Deep Learning para detectar anomalías y fallos en datos de series temporales. Realice un seguimiento de los cambios en un sistema, detecte anomalías e identifique fallos.
Estimación de vida útil restante (RUL)
Entrene modelos de estimación de RUL con datos históricos para predecir el tiempo hasta el fallo. Utilice la app Health Indicator Designer para transformar interactivamente características en indicador de estado compuesto para el entrenamiento de modelos de RUL.
Ingeniería de características
Utilice la app Diagnostic Feature Designer para extraer y clasificar automáticamente características para entrenar modelos estadísticos y de IA.
Mantenimiento predictivo específico para componentes
Aplique herramientas de mantenimiento predictivo específicas para componentes a maquinaria rotativa y baterías. Clasifique fallos de rodamientos, detecte fugas en bombas, realice un seguimiento de cambios en el rendimiento de motores, identifique fallos en cajas de engranajes, detecte anomalías en celdas y sistemas de batería de ion-litio, y estime la vida útil restante en ciclos de las baterías. Utilice la librería de ejemplos de referencia para comenzar rápidamente.
Gestión y preprocesamiento de datos
Acceda a datos de sensores almacenados de manera local o remota. Prepare datos para desarrollar algoritmos eliminando valores atípicos, filtrando y aplicando diversas técnicas de preprocesamiento de tiempo, frecuencia y tiempo-frecuencia.
Generación de datos sintéticos
Simule el comportamiento del sistema, fallos y degradaciones utilizando modelos basados en la física creados en Simulink y Simscape, o inyecte anomalías sintéticas directamente en series temporales. Cree gemelos digitales para supervisar el rendimiento y predecir el comportamiento futuro.
Despliegue embebido
Utilice MATLAB Coderpara generar código C/C++ directamente a partir de funciones de cálculo de características, algoritmos de supervisión de condiciones y algoritmos predictivos para procesamiento embebido en tiempo real.
Despliegue en la nube
Utilice MATLAB Compiler y MATLAB Compiler SDK para escalar algoritmos a la nube como librerías compartidas, paquetes, apps web, contenedores Docker, y mucho más. Despliegue en MATLAB Production Server en Microsoft® Azure® o AWS® sin necesidad de recodificar.
Recursos del producto:
Serie de vídeos sobre mantenimiento predictivo
Aprenda mantenimiento predictivo con esta serie de vídeos.
Preguntas frecuentes sobre Predictive Maintenance Toolbox
Predictive Maintenance Toolbox ofrece apps y funciones para diseñar algoritmos de supervisión de condiciones y mantenimiento predictivo para motores, cajas de engranajes, rodamientos, baterías y otras aplicaciones, lo que permite diseñar indicadores de condición, detectar fallos y anomalías, y estimar la vida útil restante (RUL).
La app Diagnostic Feature Designer permite extraer de manera interactiva características de tiempo, frecuencia, tiempo-frecuencia y física a partir de datos de sensores, clasificarlas según su efectividad y exportarlas para desarrollar algoritmos específicos de detección de fallos y anomalías.
La toolbox incluye modelos de supervivencia, similitud y degradación que pueden entrenarse con datos históricos para predecir el tiempo hasta el fallo.
Sí. Puede generar código C/C++ con MATLAB Coder para despliegue embebido o crear aplicaciones de producción para despliegue en la nube utilizando MATLAB Compiler, MATLAB Compiler SDK o MATLAB Production Server.
Puede organizar y analizar datos de sensores de series temporales multicanal y multmiembro, importados desde archivos locales, almacenamiento en la nube y sistemas de archivos distribuidos. También puede generar datos de fallos simulados a partir de modelos de Simulink y Simscape.
Aunque la toolbox puede utilizarse para cualquier aplicación de mantenimiento predictivo con datos de sensores de series temporales, también incluye herramientas específicas para componentes y ejemplos de referencia para maquinaria rotativa y baterías. Esto incluye clasificar fallos en rodamientos, detectar fugas en bombas, realizar seguimiento de cambios en el rendimiento de motores, identificar fallos en las cajas de engranajes, detectar anomalías en las celdas de iones de litio y en los sistemas de baterías, y estimar la vida útil restante de la batería.
Time Series Anomaly Detection for MATLAB es un paquete de soporte de Predictive Maintenance Toolbox. Este paquete contiene funciones y una app para caracterizar el comportamiento normal del sistema y detectar anomalías en datos de sensores de series temporales utilizando detectores estadísticos, de Machine Learning y de Deep Learning listos para entrenarse.
Prueba gratuita de Predictive Maintenance Toolbox
Descubra nuestros productos.
¿Tiene interés en comprar?
Obtenga información sobre precios y explore productos relacionados.
¿Es estudiante?
Es posible que su centro educativo ya ofrezca acceso a MATLAB, Simulink y otros productos complementarios mediante una infraestructura Campus-Wide License.
