이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.
예측 정비에서의 AI
예측 정비 워크플로에 딥러닝 및 머신러닝 기법 적용
Deep Learning Toolbox™ 또는 Statistics and Machine Learning Toolbox™를 Predictive Maintenance Toolbox™와 함께 사용하여 예측 정비에 딥러닝 및 머신러닝을 적용합니다. 결함 검출, 잔여 수명 추정 등 다양한 예측 정비 작업을 수행하도록 심층 신경망을 훈련시킬 수 있습니다. 분류와 회귀 기법을 사용하여 특징이 효과적인지 평가하고 배포 가능한 모델을 만들 수 있습니다.
도움말 항목
결함 검출 및 진단하기
- 딥러닝을 사용한 화학 공정 결함 검출
시뮬레이션 데이터를 사용하여 화학 공정의 결함을 검출할 수 있는 신경망을 훈련시킵니다. - Rolling Element Bearing Fault Diagnosis Using Deep Learning
This example shows how to perform fault diagnosis of a rolling element bearing using a deep learning approach. - Accelerate Fault Diagnosis Using GPU Data Preprocessing and Deep Learning
This example shows how to use GPU computing to accelerate data preprocessing and deep learning for predictive maintenance workflows. (R2025a 이후) - 3축 진동 데이터를 사용하여 산업 기계의 이상 감지하기
정상 동작만 나타내는 데이터로 훈련된 머신러닝 및 딥러닝 모델을 사용하여 산업 기계의 진동 데이터에서 이상을 감지합니다. - Detect Unbalanced Motor by Using Neural Network (Motor Control Blockset)
This example shows how to detect a mechanically unbalanced spinning motor by using a neural network (NN) developed using Deep Learning Toolbox™.
잔여 수명 예측하기
- 초기 작동 데이터에서 배터리 사이클 수명 예측
머신러닝 지도 학습 알고리즘을 사용하여 고속 충전 리튬 이온 배터리의 잔여 사이클 수명을 예측합니다. - 컨벌루션 신경망을 사용한 잔여 수명 추정
이 예제에서는 심층 컨벌루션 신경망(CNN)을 사용하여 엔진의 RUL을 예측하는 방법을 보여줍니다. - Battery Cycle Life Prediction Using Deep Learning
Predict the remaining cycle-life of a fast charging Li-ion battery by training a deep neural network.
