通过 predictive maintenance toolbox™，您可以管理传感器数据、设计状态指标并估计机器的剩余使用寿命 (rul)。
该工具箱提供了多个函数和一个交互式 app，通过基于数据和基于模型的方法（包括统计、频谱和时序分析），对特征进行探索、提取和排序。您可以通过从传感器数据中提取特征来监控电池、电机、变速器和其他机器的运行状况。要估计机器的故障时间，可以使用生存模型、相似性模型和基于趋势的模型来预测 rul。
您可以组织和分析来自本地文件、云存储和分布式文件系统的传感器数据。您可以标记从 simulink® 模型生成的仿真故障数据。该工具箱包括电机、变速箱、电池、泵、轴承和其他机器的参考示例，您可以重用这些示例来开发自定义的预测性维护和状态监控算法。
为实现算法运营化，您可以生成 c/c 代码以部署到边缘，或创建生产应用程序以部署到云。
故障数据生成
使用 simulink 和 simscape™ 模型生成仿真的故障和退化数据。修改参数值、注入故障和更改模型动态特性。创建数字孪生来监控性能和预测将来行为。
云部署
使用 matlab compiler™ 和 matlab compiler sdk™ 将云中的算法扩展为共享库、包、web app、docker 容器等。无需重新编码即可将 matlab production server™ 部署到 microsoft® azure® 或 aws® 上。
|
产品资源:
预测性维护系列视频
观看本系列视频，了解预测性维护。
