Predictive Maintenance Toolbox
상태 모니터링 알고리즘과 건전성 예측관리 알고리즘 설계 및 테스트
Predictive Maintenance Toolbox™를 사용하면 데이터에 레이블을 붙 이고, 상태 진단 변수를 설정하고, 기계의 잔여 유효 수명(RUL)을 추정할 수 있습니다.
이 툴박스는 통계, 스펙트럼 및 시계열 분석을 포함한 데이터 기반 및 모델 기반기법법을 사용하여 특징을 탐색, 추출 및 순위를 지정하기 위한 함수와 대화형 앱을 제공합니다. 주파수 및 시간-주파수 방법을 사용하 여 진동 데이터의 특징을 추출하여 베어링 및 기어 박스와 같은 회전 기 계의 상태를 모니터링 할 수 있습니다. 기계의 장애 시간을 추정하기 위 해 생존, 유사성 및 추세 기반 모델을 사용하여 RUL을 예측할 수 있습 니다.
로컬 파일, 클라우드 스토리지 및 분산 파일 시스템에서 가져온 센서 데 이터를 분석하고 레이블을 지정할 수 있습니다. Simulink® 모델에서 생 성된 시뮬레이션 장애 데이터에 레이블을 지정할 수도 있습니다. 이 툴 박스에는 사용자 지정 건전성 예측관리 및 상태 모니터링 알고리즘을 개발하는 데 재사용할 수 있는 모터, 기어 박스, 배터리 및 기타 기계에 대한 참조 예제가 포함되어 있습니다.
시작하기:
분류 모델을 사용한 고장 진단
지원 벡터 머신, k-means 클러스터링 및 기타 머신 러닝 기술을 사용하 여 모델 분류와 클러스터링을 통해 장애의 근본 원인을 격리합니다.
고장 및 이상 감지
변경점 감지, 칼만 필터 및 컨트롤 차트를 사용한 시스템의 변경 사항 추적으로 이상과 고장의 존재를 확인합니다.
Diagnostic Feature Designer App
기계 상태 모니터링을 위한 특징 추출, 시각화, 특징 순위, 인자 선택 기능을 제공합니다.
신호 기반 상태 표시기
레인플로 집계, 스펙트럼 피크 검출, 스펙트럼 첨도 및 기타 시간, 주파 수 및 시간-주파수 도메인 기술을 사용하여 원시 또는 전처리된 센서 데 이터에서 특징을 추출합니다.
모델 기반 상태 표시기
선형 및 비선형 시계열 모델, 상태 공간 모델 및 전달 함수 모델을 센서 데이터에 적용합니다. 이들 적합 모델의 특성과 특징을 상태 표시기로 사용합니다.
베어링과 기어 박스
내부와 외부 레이스 고장을 분류하고, 기어치 결함을 감지하고, RUL을 추정하기 위한 알고리즘을 개발합니다.
펌프, 모터 및 배터리
펌프 누수 및 막힘 감지, 모터 마찰 변화 추적, 시간 경과에 따른 배터리 성능 저하 평가 알고리즘을 개발합니다.
데이터 구성 및 레이블 지정하기
로컬 파일, Amazon S3™, Windows Azure® Blob 스토리지 및 Hadoop® 분산 파일 시스템에서 데이터를 가져오고 레이블을 지정합니다.
Simulink 및 Simscape의 고장 데이터 생성
기계에서 Simulink 및 Simscape™ 모델을 사용하여 고장 데이터를 시 뮬레이션합니다. 파라미터 값 수정, 고장 주입 및 모델 역학 변경
Diagnostic Feature Designer App
App에서 신호 처리, 특징 추출, 정상/비정상에 대한 특징 랭킹 및 MATLAB 함수 생성
Live Editor Task
대화형 방식으로 위상 공간 재구성, 비선형 신호 인자 추출
Spectral Analysis
주파수 대역 정의 및 스펙트럼 특징 추출
이러한 기능 및 해당 함수에 대한 세부 정보는 릴리스 정보 를 참조하십시오.