← Zurück zur Kategorie Condition & Vibration Monitoring

Neue Toolbox für Design & Test von Condition Monitoring & Predictive Maintenance Algorithmen

Predictive Maintenance Toolbox

MathWorks hat heute Predictive Maintenance Toolbox angekündigt, ein neues MATLAB-Produkt, das Ingenieuren hilft, Zustandsüberwachungs- und vorausschauende Wartungsalgorithmen zu entwerfen und zu testen.

Predictive Maintenance Toolbox bietet Funktionen und Referenzbeispiele für Ingenieure, die Algorithmen zur Organisation von Daten entwerfen, Zustandsindikatoren entwerfen, den Maschinenzustand überwachen und die Restnutzungsdauer (RUL) schätzen, um Geräteausfälle zu vermeiden.

Mit der Predictive Maintenance Toolbox können Entwickler Sensordaten analysieren und beschriften, die aus Dateien importiert werden, die lokal oder im Cloud-Speicher gespeichert sind. Sie können auch simulierte Fehlerdaten kennzeichnen, die von Simulink-Modellen generiert werden, um Gerätefehler darzustellen.

Methoden der Signalverarbeitung und dynamischen Modellierung, die auf Techniken wie Spektralanalyse und Zeitreihenanalyse aufbauen, ermöglichen es den Ingenieuren, Daten vorzuverarbeiten und Merkmale zu extrahieren, mit denen der Zustand der Maschine überwacht werden kann.

Mithilfe von Überlebens-, Ähnlichkeits- und trendbasierten Modellen zur Vorhersage der RUL können Ingenieure die Zeit bis zum Ausfall einer Maschine abschätzen. Die Toolbox enthält Referenzbeispiele für Motoren, Getriebe, Batterien und andere Maschinen, die wiederverwendet werden können, um benutzerdefinierte Predictive Maintenance- und Condition Monitoring-Algorithmen zu entwickeln.

Jetzt können Ingenieure die Algorithmen entwickeln und validieren, die für die Vorhersage des Auftretens eines Gerätefehlers oder die Erkennung von zugrunde liegenden Anomalien durch die Überwachung von Sensordaten erforderlich sind. Diese Algorithmen werden entwickelt, indem auf historische Daten zugegriffen wird, die in lokalen Dateien, auf Cloud-Speichersystemen wie Amazon S3 und Windows Azure Blob Storage oder auf einem Hadoop Distributed File System gespeichert sind.

Eine andere Quelle von Daten sind Simulationsdaten von physikalischen Modellen der Ausrüstung, die Fehlerdynamik enthalten. Ingenieure können aus diesen Daten die am besten geeigneten Funktionen auswählen und auswählen und dann mithilfe interaktiver Apps Maschinenlernmodelle mit diesen Funktionen trainieren, um Geräteausfälle vorherzusagen oder zu erkennen.

"Predictive Maintenance ist eine Schlüsselanwendung des industriellen Internets der Dinge. Dies ist wichtig, um unnötige Wartungskosten zu reduzieren und ungeplante Ausfallzeiten zu vermeiden. Ingenieure, die in der Regel nicht mit maschinellem Lernen oder Signalverarbeitung vertraut sind, finden Entwurfsalgorithmen für die vorausschauende Wartung besonders schwierig. "

sagte Paul Pilotte, technischer Marketing Manager, MathWorks.

"Jetzt können diese Teams schnell mit der Predictive Maintenance Toolbox beginnen, um zu lernen, wie diese Algorithmen entwickelt und getestet werden können."

Prozessindustrie Informer

Weitere Nachrichten

Hinterlasse einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. erforderliche Felder sind markiert *

Diese Seite verwendet Akismet, um Spam zu reduzieren. Erfahren Sie, wie Ihre Kommentardaten verarbeitet werden.