Main Content

Predictive Maintenance Toolbox

상태 모니터링과 예측 정비 알고리즘 설계 및 테스트

Predictive Maintenance Toolbox™는 모터, 기어박스, 베어링, 배터리를 비롯한 여러 응용 분야의 상태 모니터링 및 예측 정비 알고리즘을 설계할 수 있는 함수와 앱을 제공합니다. 이 툴박스를 사용하면 상태 지표를 설계하고, 결함을 검출하고 이상을 감지하며, 잔여 수명(RUL)을 추정할 수 있습니다.

진단 특징 디자이너 앱에서는 대화형 방식으로 시간, 주파수, 시간-주파수 및 물리학 기반 특징을 추출할 수 있습니다. 특징에 순위를 지정하고 내보내서 각 응용 사례에 특화된 결함 검출 및 이상 감지 알고리즘을 개발할 수 있습니다. RUL 추정에는 생존 모델, 유사성 모델, 추세 기반 모델을 사용할 수 있습니다.

이 툴박스는 로컬 파일, 클라우드 저장소, 분산 파일 시스템에서 가져온 센서 데이터를 구성하고 분석할 수 있습니다. Simulink® 모델과 Simscape™ 모델에서 시뮬레이션된 고장 데이터를 생성할 수 있습니다.

알고리즘을 실제로 운용하기 위하여 에지 배포의 경우 C/C++ 코드를 생성하고 클라우드 배포의 경우 프로덕션 응용 프로그램을 만들 수 있습니다. 이 툴박스에는 맞춤형 예측 정비 알고리즘을 개발하고 배포하는 데 재사용할 수 있는 참조 예제가 응용 분야별로 포함되어 있습니다.

Predictive Maintenance Toolbox 시작하기

Predictive Maintenance Toolbox의 기본 사항 배우기

응용 분야

회전 기계나 배터리 시스템 같은 특정 컴포넌트에 특화된 워크플로에 예측 정비 방법을 적용

시스템 데이터 관리하기

측정된 데이터 가져오기, 시뮬레이션된 데이터 생성, 명령줄과 앱에서 사용할 수 있도록 데이터 구성

데이터 전처리하기

고급 신호 처리를 위한 준비 단계로 데이터를 정리하고 데이터에 레이블 지정

상태 지표 설계하기

명령줄에서 또는 대화형 방식으로 데이터를 탐색하여 시스템 상태를 나타내거나 미래의 상태를 예측할 수 있는 특징 식별

결함 검출 및 진단하기

상태 모니터링 및 이상 감지를 위해 통계 모델, 머신러닝 모델, 딥러닝 모델 훈련

잔여 수명(RUL) 예측하기

시스템 데이터, 상태 추정기 또는 식별된 모델로부터 RUL을 계산하도록 설계된 특화 모델을 사용하여 RUL 예측

예측 정비 알고리즘 배포하기

상태 모니터링과 예측 정비 알고리즘 구현 및 배포

예측 정비에서의 AI

예측 정비 워크플로에 딥러닝 및 머신러닝 기법 적용