Predictive Maintenance Toolbox

상태 모니터링 알고리즘 및 예측 정비 알고리즘을 설계하고 테스트할 수 있습니다.

Predictive Maintenance Toolbox™를 사용하여 센서 데이터 및 설계 상태 지표를 관리하고 기계의 RUL(잔여 수명)을 추정할 수 있습니다.

이 툴박스는 통계, 스펙트럼 및 시계열 분석 등의 데이터 기반 및 모델 기반 기법을 사용하여 특징을 탐색, 추출하고 순위를 지정하기 위한 함수와 대화형 방식의 앱을 제공합니다. 주파수 및 시간-주파수 방법을 사용하여 진동 데이터에서 특징을 추출함으로써 회전 기계의 건전성을 모니터링할 수 있습니다. 기계의 고장 수명을 추정하기 위해 생존 모델, 유사성 모델 및 추세 기반 모델을 사용하여 RUL을 예측할 수 있습니다.

로컬 파일, 클라우드 저장소 및 분산 파일 시스템에서 가져온 센서 데이터를 정리하고 분석할 수 있습니다. Simulink^® 모델에서 생성된 시뮬레이션된 고장 데이터에 레이블을 지정할 수 있습니다. 이 툴박스에는 모터, 기어박스, 배터리 및 기타 기계에 대한 참조 예제가 있으며, 사용자는 이런 예제를 사용자 지정 예측 정비 및 상태 모니터링 알고리즘 개발에 재사용할 수 있습니다.

알고리즘을 운용하려면 에지 기기에 배포할 수 있는 C/C++ 코드를 생성하거나 클라우드에 배포할 수 있는 프로덕션 응용 프로그램을 만들 수 있습니다.

Predictive Maintenance Toolbox란?

가동 중단 시간 단축 및 운영 비용 절감: MathWorks 컨설팅을 통해 더 빠르게 결과 달성

결함 검출 및 RUL(잔여 수명) 추정

머신러닝 및 시계열 모델을 사용하여 이상을 감지하고 결함의 근본 원인을 진단하고 RUL을 추정할 수 있습니다.

결함 검출 및 이상 감지

시스템의 변화를 추적하여 변화 지점 감지, 칼만 필터 및 관리도를 사용하여 이상 및 결함 유무를 확인할 수 있습니다.

재귀적 모델을 사용하여 급격한 시스템 변화 감지하기

관리도를 사용한 결함 검출 방법

변화 지점 감지를 사용한 결함 검출 방법

진동 데이터를 사용한 산업 기계의 이상 감지

데이터 기반 상태공간 모델에서 추출된 스펙트럼 피크를 사용한 이상 감지.

데이터 기반 모델을 사용한 결함 검출.

RUL 추정 모델

기계의 RUL을 추정하여 고장 수명을 예측하고 정비 일정을 최적화할 수 있습니다. 사용할 수 있는 RUL 추정 알고리즘의 유형은 데이터에서 추출되는 상태 지표와 사용 가능한 데이터의 양에 따라 정해집니다.

RTF(Run-to-Failure) 데이터를 위한 유사성 모델

안전 필수 임계값을 위한 열화 모델

수명 데이터를 위한 생존 모델

컨벌루션 신경망을 사용한 RUL 추정

유사성, 열화 및 생존 RUL 모델.

분류 모델을 사용한 결함 진단

서포트 벡터 머신, k-평균 군집화 및 기타 머신러닝 기법을 사용하여 분류 및 군집화 모델을 훈련함으로써 결함의 근본 원인을 분리할 수 있습니다.

머신러닝, 분포 피팅 및 동적 모델을 사용한 결함 진단 방법의 개요

머신러닝을 사용한 분류 모델

훈련된 분류 모델에 의해 수행된 정확한 예측과 부정확한 예측을 보여주는 산점도 플롯.

분류 학습기 앱을 사용하여 결함 진단하기.

상태 지표 설계

신호 기반 및 모델 기반 접근법을 사용하여 센서 데이터에서 특징을 추출할 수 있습니다. 추출된 특징은 진단 및 머신러닝 알고리즘의 입력값으로 사용할 수 있습니다.

진단 특징 디자이너 앱

특징을 추출, 시각화하고 순위를 지정하여 기계 상태 모니터링을 위한 상태 지표를 설계할 수 있습니다. 앱에서 MATLAB 코드를 생성하여 전체 공정을 자동화할 수 있습니다.

진단 특징 디자이너 앱

진단 특징 디자이너 앱을 사용한 특징 추출

신호 기반 상태 지표

레인플로 집계법, 스펙트럼 피크 검출, 스펙트럼 첨도, 그리고 그 외의 시간, 주파수 및 시간-주파수 영역 기법을 사용하여 원시 또는 전처리된 센서 데이터에서 특징을 추출할 수 있습니다. 라이브 편집기 작업을 사용하여 대화형 방식으로 위상 공간 재구성을 수행하고 비선형 신호 특징을 추출할 수 있습니다.

신호 기반 상태 지표 개요

데이터 전처리 방법 개요

과도 분석 및 검출을 위한 시간-주파수 전처리 방법

베어링에서 측정된 진동 데이터에 대해 시간과 주파수에 따라 변하는 스펙트럼 첨도.

시간-주파수 기반 상태 지표.

모델 기반 상태 지표

선형 및 비선형 시계열 모델, 상태공간 모델 및 전달 함수 모델을 센서 데이터에 피팅할 수 있습니다. 이러한 피팅된 모델의 속성과 특성을 상태 지표로 사용할 수 있습니다.

모델 기반 상태 지표 개요

잔차 분석을 사용한 펌프의 결함 진단

손상된 시스템과 손상되지 않은 시스템의 진동 데이터에 피팅되는 10차 자기회귀 모델.

자기회귀 모델 기반 상태 지표.

에지 및 클라우드로의 배포

상태 모니터링 및 예측 정비 알고리즘을 에지 기기 또는 클라우드의 프로덕션 응용 프로그램에 배포할 수 있습니다.

에지 배포

MATLAB Coder™를 사용하여 RUL 모델 및 특징 계산을 위한 C/C++ 코드를 생성할 수 있습니다.

RUL 예측을 위한 코드 생성하기

클라우드와 에지에 예측 정비 알고리즘 배포하기

PLC에 예측 정비 알고리즘 배포하기

클라우드 배포

MATLAB Compiler™ 및 MATLAB Compiler SDK™를 사용하여 예측 정비 알고리즘을 C/C++ 공유 라이브러리, 웹 앱, Docker 컨테이너, Microsoft^® .NET 어셈블리, Java^® 클래스 및 Python^® 패키지로 배포할 수 있습니다. 다시 코딩하거나 사용자 지정 인프라를 만들지 않고도 생성된 라이브러리를 Microsoft^® Azure^®, AWS^®의 MATLAB Production Server™ 또는 전용 온프레미스 서버에 배포할 수 있습니다.

클라우드에서 MATLAB 사용하기

클라우드와 에지에 예측 정비 알고리즘 배포하기 (17:49)

예측 정비 알고리즘 배포하기